Document 2684939

...áûâàëè ñëó÷àè, êîãäà èç ïîëîæèòåëüíî äèêîãî áðîæåíèÿ óìîâ âûõîäèëà ñî âðåìåíåì èñòèíà. È. Ì. Ñå÷åíîâ. «Ðåôëåêñû ãîëîâíîãî ìîçãà». ÂÂÅÄÅÍÈÅ Способность выслушать и понять собеседника является одним из наиболее ценных достоинств человеческого обще ния. Задавая вопросы или просто обмениваясь фразами в процессе разговора, мы стремимся получать ответы, адек ватные нашим внутренним потребностям. Нас в равной сте пени не удовлетворяют как сообщения, не приносящие ин формации, так и ответы, в которых ее количество значитель но превосходит внутренние ограничения, установленные нами для конкретного разговора. Смысловое содержание ответа или адекватная реакция собеседника является одним из ос новных критериев, определяющим качество разговора и влияющим на изменение внутреннего состояния человека в процессе коммуникативного общения. Если предположить, что у субъекта разговора суще ствует некоторая целевая функция, которая определяет ожидаемое количество информации (желаемый резуль тат), а количество информации, в поступающих к этому субъекту сообщениях, изобразить в виде некоторой траек тории, то в зависимости от характера разговора эти траекто рии могут принимать самую разнообразную форму (рис. 1). Иногда необходимый результат может быть достигнут опти мальным образом (а). В иных случаях, задав тот или иной вопрос, вместо полезного ответа может быть получено боль шое количество избыточной информации, которая может увести далеко от первоначальной цели (b) и (c). 4 5 Cõîäÿùèéñÿ ïðîöåññ ñ èçáûòî÷íîé èíôîðìàöèåé (b) Èíôîðìàöèÿ Èíôîðìàöèÿ Èäåàëüíûé, ñõîäÿùèéñÿ ïðîöåññ (a) Îæèäàåìàÿ èíôîðìàöèÿ Îæèäàåìàÿ èíôîðìàöèÿ Ïîëó÷åííàÿ èíôîðìàöèÿ Ïîëó÷åííàÿ èíôîðìàöèÿ Âðåìÿ Âðåìÿ Èíôîðìàöèÿ Ïðîöåññ íå ñõîäèòñÿ (c) Îæèäàåìàÿ èíôîðìàöèÿ Ïîëó÷åííàÿ èíôîðìàöèÿ Âðåìÿ Ðèñ. 1. Òðàåêòîðèè ðàçâèòèÿ ïðîöåññîâ âçàèìîäåéñòâèÿ Поток слов, поступающих к участнику разговора в процессе обмена сообщениями, вызывает возмущение со знания, которое можно представить себе как волнение по верхности воды в результате падения капель дождя. Рас пространение информационных волн в сознании, их интер ференция друг с другом и взаимодействие с глубинными внутренними процессами образуют сложную систему, ис следование и моделирование которой может быть достигну то с применением методов и средств, аналогичных тем, ко торые применяются в физике и позволяют описывать по ведение полей и частиц, основываясь на корпускулярно волновых свойствах материи. 6 Если считать, что ожидаемое количество информации, которое мы стремимся получить в процессе взаимодей ствия, должно быть адекватно количеству информации, ко торое нам будет передано в ответе, мы можем сформулиро вать принцип информационной адекватности следующим образом: I(A) → I(Q), где I(A) — количество информации в ответе A; I(Q) — ожидаемое количество информации в ответ на заданный вопрос Q. В вычислительной технике широко применяются инфор мационные характеристики различных видов устройств: па мяти, процессоров, каналов связи и т. п., а из теории информа ции хорошо известны способы измерения информационных свойств потоков сообщений. Мы можем использовать анало гичные меры для оценки качества процессов взаимодействия и состояния участвующих в этом процессе систем. Однако если большинство информационных характеристик в вычисли тельной технике являются статическими, то процессы челове ческого общения имеют ярко выраженный динамический ха рактер. Моделирование таких процессов, определение их ин формационных характеристик, нахождение оптимальных траекторий взаимодействия и т. п. относятся к группе наиболее сложных и трудоемких задач в современном программирова нии. Среди основных факторов, определяющих их сложность можно выделить, в первую очередь, следующие: большое количество динамических параметров; постоянная адаптация и развитие внутренней структу ры и функций; отсутствие четких критериев качества поведения. Решение этих задач только лишь средствами традицион ного программирования сопряжено с проблемами, корни кото рых лежат в логических основаниях алгоритмического моде лирования. Программирование алгоритмических моделей, ос нову которого составляют последовательности пассивных ло гических конструкций, во многих случаях позволяет получить 7 приемлемый результат, но при этом программа и резуль тат принципиально различаются и отделены друг от друга. В нейронных моделях используются активные элементы, обладающие внутренними динамическими свойствами и способные самостоятельно принимать и передавать сигна лы. При этом исполнительные элементы и результаты пред ставляют собой единое целое — динамическое пространство параллельных процессов и их состояний. Одним из способов создания таких моделей является нейронное программи рование, под которым мы будем понимать методы органи зации и управления активными элементами в интерпре тирующих системах. Нейронное программирование обладает одним неоспо римым достоинством — природа в процессе эволюции уже построила огромное количество биологических прототипов, широкий спектр которых включает как нервные системы простейших многоклеточных, так и человеческий мозг, са мую сложную из известных на сегодняшний день организо ванных систем, поэтому применение знаний биологии и нейрофизиологии может оказать существенную помощь при программировании искусственных нейронных систем. Большой разброс в сложности моделируемых систем предполагает применение соответствующих технологий программирования. В такой же степени как и в алгорит мическом программировании методы построения боль ших операционных систем отличаются от методов напи сания небольших индивидуальных программ, в нейрон ном программировании процесс построения больших моделей существенно отличается от создания небольших по своему объему систем. Технологии построения информационных систем отно сятся к области особых интересов в программировании. Сре ди многих работ в этом направлении можно выделить раннюю статью Э. Дейкстры “The Structure of ‘THE’ Multiprogramming System” [7], в которой он сформулиро вал принципы построения программных систем, существен 8 но отличающиеся от широко принятых тогда технологий программирования (см. например, Ф. Брукс “Мифический человекомесяц” [3]). В этой работе Дейкстра рассматри вает не только общие технологические принципы, но так же вводит синхронизирующие примитивы — семафоры, при помощи которых ему удается решить проблему асин хронного распараллеливания процессов. Технология и но вые структурнофункциональные решения в его работе взаимосвязаны, и это в совокупности позволяет ему полу чить решение, значительно опережающее известные в то время системы. Представления Дейкстры о программировании, его эле гантные теоретические и практические решения продолжа ют оставаться привлекательными для всех, кто связан с этой дисциплиной. В одном из своих последних интервью, голлан дской телекомпании VPRO в 2001 году, рассуждая о сути программирования, он говорит следующее: Ñóùåñòâóþò ñîâåðøåííî ðàçëè÷íûå ñòèëè ïðîãðàììèðîâàíèÿ. ß ìîãó ñðàâíèòü èõ ñ òåì, êàê ñî÷èíÿëè ìóçûêó Ìîöàðò è Áåòõîâåí. Êîãäà Ìîöàðò ïðèñòóïàë ê çàïèñè ïàðòèòóðû, êîìïîçèöèÿ ó íåãî óæå ñóùåñòâîâàëà â çàâåðøåííîì âèäå. Îí çàïèñûâàë ïàðòèòóðó ñ ïåðâîãî ðàçà íàáåëî. Áåòõîâåí áûë ñêåïòèê è áîðåö, êîòîðûé íà÷èíàë ïèñàòü äî òîãî, êàê îí èìåë ñëîæèâøóþñÿ êîìïîçèöèþ... Äëÿ òîãî, ÷òîáû ñî÷èíÿòü ìóçûêó, íóæíî óìåòü çàïèñûâàòü íîòû. Íî áûòü êîìïîçèòîðîì ýòî âîâñå íå îçíà÷àåò óìåíèå çàïèñûâàòü íîòû. ×òîáû áûòü êîìïîçèòîðîì, íóæíî ÷óâñòâîâàòü ìóçûêó. http://www.cs.utexas.edu/users/EWD/videos/ NoorderlichtVideo.html Дейкстра затрагивает особенную тему в программиро вании, связанную с индивидуальным творчеством и исполь зует при этом аналогии с музыкой. Продолжая эту аналогию, можно сравнить необходимые для построения нейронных моделей интерпретирующие системы с различными музы кальными инструментами. Для исполнения больших и слож ных музыкальных произведений в симфонических оркестрах 9 используются самые разнообразные группы инструментов. Для исполнения произведений камерной музыки, оказы вается вполне достаточно одного. Среди инструменталь ных систем, предназначенных для индивидуального (ка мерного) программирования, особый интерес представля ет система HyperCard. В этой системе удачно совмещены средства представления данных и система динамической интерпретации скриптов, что позволяет использовать ее как внешнюю оболочкуинтерфейс к нейронным моделям. Ар хитектура системы HyperCard во многом послужила прото типом для вебстраниц, однако его возможности до сих пор во многих отношениях превосходят средства динамического программирования DHTML. К сожалению, в 90х годах система HyperCard была за морожена и в настоящее время практически прекратила свое существование. Причина в том, что руководство Apple не смогло понять и оценить ее стратегическое значение. В своем интервью, данном в 2003 году CNET News, Джон Ска ли, бывший в 80х годах президентом компании Apple, рас сказал об этом так: Åñëè ÿ îáðàùóñü íàçàä, íà òî, ÷òî áû ÿ õîòåë ñäåëàòü ïî äðóãîìó òîãäà, êîãäà ÿ áûë â Apple, ÿ äóìàþ ÷òî ñàìàÿ áîëüøàÿ óïóùåííàÿ âîçìîæíîñòü — ýòî ñèñòåìà HyperCard. Îíà áûëà ñîçäàíà â 1987 ãîäó ïåðâûì ïðîãðàììèñòîì Apple — Áèëîì Àòêèíñîíîì. Ìû íèêàê íå ìîãëè ïîíÿòü, ÷òî æå îíà èç ñåáÿ ïðåäñòàâëÿåò íà ñàìîì äåëå. Ìû äóìàëè, ÷òî ýòî áûëà ñèñòåìà äëÿ ñîçäàíèÿ ïðîòîòèïîâ. Ìû äóìàëè, ÷òî ýòî áûëà áàçà äàííûõ. Áûë ïðèìåð, êîãäà îíà èñïîëüçîâàëàñü êàê èíòåðôåéñ ñ ïðîòîêîëîì TCP/IP äëÿ ðàáîòû ñ ñóïåðêîìïüþòåðîì Cray. Ó íàñ íå õâàòèëî ïðîíèöàòåëüíîñòè, ÷òîáû ïîíÿòü, ÷òî âñå, ÷òî áûëî âíóòðè HyperCard, áûëî íà ñàìîì äåëå òî, ÷òî ïîçäíåå áóäåò óñïåøíî ðàçðàáîòàíî Òèìîì ÁåðíåñËè, ñ ïðîòîêîëàìè HTTP è HTML. http://news.com.com/2008-7351-5085423.html В этом смысле между системой программирования HyperCard и нейронными методами моделирования есть 10 много общего. Нейронные модели в конце 60х годов были определены как бесперспективные, и понадобились два де сятилетия для того, чтобы интерес к этому направлению возродился вновь. Однако до сих пор этот интерес имеет ско рее математический, чем программистский характер. Со временные исследования свойств нейронных систем, в пер вую очередь, связаны с математическими задачами класси фикации и соответственно с нахождением оптимальных методов формирования весов межнейронных связей. Для программистов же, в первую очередь, интерес представля ют динамические свойства нейронов, их уникальные способ ности к соединению, реконфигурации и размножению. Эти свойства нейронных моделей удивительно совпадают со свойствами Интернет, который является саморазвиваю щейся, децентрализованной системой и в которой происхо дит огромное количество параллельных процессов. В основе Интернет лежит обмен сообщениями, которые могут быть представлены в самой разнообразной форме, что позволяет рассматривать его как большую интерактивную си стему. При этом взаимодействие может происходить как с уча стием человека, так и при помощи различных ботов — искус ственных представителей, способных автоматически про сматривать содержимое вебстраниц, отвечать на вопросы посетителей, делать ставки на аукционах и т. п. Для построе ния таких ботов используются различные методы програм мирования, включая нейронное моделирование, которому в последнее время уделяется все большее внимание. Результатом программирования — нейронного или ал горитмического — в конечном итоге является программный продукт, обладающий определенными коммерческими свой ствами. По мере увеличения общего количества пользователей в Интернет, потребности рынка в высокотехнологичных сис темах, способных упростить процессы общения человека с компьютером, постоянно возрастают. Можно поразному от носиться к известному письму Билла Гейтса — “An Open Letter to Hobbyists”, в котором он призывает к коммерческому 11 профессионализму в программировании (все программы, ко торые прилагаются к этой книге, относятся к категории Open Software и могут быть использованы свободно, в соответствии с общепринятыми нормами), однако тот факт, что на рынке к нейронным системам сегодня проявляется повышенный инте рес, позволяет надеяться, что помимо профессионального лю бопытства, нейронное программирование сумеет привлечь коммерческий интерес разработчиков. Судьба программного продукта зависит от множества раз нообразных и зачастую противоречивых факторов. Творчес кие устремления и поиски интересных решений сталкиваются с коммерческими требованиями и технологическими ограни чениями. Если представить процесс программирования, как постоянное нахождение упругого баланса между точками в пространстве, которые задают эти ограничения: Òåõíîëîãèÿ Áèçíåñ Èñêóññòâî то искусство является одним из его важных составляющих. Искусство играет принципиальную роль в балансе между практическим смыслом и теоретическими ограничениями именно потому, что оно помогает находить компромиссы и со единять противоречивые взгляды в практике и теории [21]. Стремление к такому соединению, поиск различных подходов, методов и представлений, которые позволят решать все бо лее широкий круг постоянно возникающих перед програм мистами задач, и является главной целью этой книги. 12 ÝÍÅÐÃÈß, ÈÍÔÎÐÌÀÖÈß È ÇÍÀÍÈß В основе процессов преобразования как энергии так и ин формации лежат общие по своей сути принципы, что позволя ет предположить, что практические конструкции энергети ческих машин и информационных систем должны обладать некоторыми подобными свойствами. Основываясь на этих ана логиях, мы попытаемся применить такие физические понятия как работа, мощность, к. п. д., принцип неопределенности и другие к анализу информационных систем и надеемся, что на копленный в индустриальном мире опыт проектирования и эк сплуатации механизмов и энергетических устройств поможет в проектировании информационных машин. С развитием информационных технологий возникли такие виды деятельности как виртуальные предприятия, электрон ная торговля, дистанционное обучение, удаленная диагнос тика, информационнопоисковые сервисы и т. п., открывшие перед человечеством принципиально новые возможности, но одновременно с этим появился и ряд новых практических и теоретических проблем. Среди них — извлечение знаний из больших распределенных источников данных, удаление мусора из потоков сообщений, взаимодействие на есте ственных языках, интеграция разнородных каналов связи, и другие, которые в свою очередь вызвали необходимость пе ресмотра и расширения некоторых из методов и технологий современного программирования. Так например, увеличе ние доступных объемов данных во многих случаях не только 13 но и выполнять связанные с ним действия, существенно расширяет возможности интерпретации. Например, мы можем интерпретировать состояние группы нейронов как модель понятийного аппарата головного мозга, отвечаю щего за первичное восприятие слов или иных сигналов, поступающих из сенсорных групп. В ином случае мы мо жем рассматривать нейронные возбуждения как индика торы экономических или производственных процессов — состояние запасов склада, загрузка оборудования, фи нансовые риски и пр. При этом интегральные характери стики, взаимовлияние и динамические свойства нейрон ных моделей позволяют существенно упростить пред ставление данных, как для принятия решений в реальном времени, так и для применения математического аппара та, например, как методов оптимизации, прогнозирова ния, классификации и т. п. Динамические свойства нейронных моделей позволяют упростить решение задач, связанных с лингвистическим анализом. Рассмотрим пример, в котором мы будем исполь зовать группу взаимосвязанных нейронных слоев для реше ния задачи простейшего перевода слов из нескольких слова рей, представляющих различные языки через промежуточ ный слой эквивалентных понятий. Предположим, что слой 10000 мы будем использовать для хранения слов, принадлежащих русскому языку (словарь RU), а слой 100001, соответственно, для слов анг лийского языка (словарь EN). Введем третий слой 10002, в котором мы можем задать смысловые значения слов, или понятия (словарь M). Допустим, что каждому слову из словарей RU и EN соответствует единственное слово в словаре M, тогда мы можем построить простейшую мно гослойную нейронную сеть, связывающую слова и поня тия (см. рис. 39). Использование дополнительного слоя M позволяет в дальнейшем перейти к более универсальному понятию — смысл (meaning), в тех случаях, когда пред ставление слова необходимо представить в независимом от 94 конкретного языка виде. Например, нейрон N1 в слое M мо жет представлять смысловое значение слова ГЕНЕРИРУЕТ из словаря RU и слова GENERATE из словаря EN. Ñëîâàðü ðóññêèõ ñëîâ Ñëîâàðü àíãëèéñêèõ ñëîâ Ïîíÿòèÿ Ðèñ. 39. Îòîáðàæåíèå ñëîâ íà ñâÿçàííûå ñ íèìè ïîíÿòèÿ (Ïðèìåð 3. ÍÝÑ http://www.nnod.com/np) Использование смысловых значений, синхронизиро ванных с входным потоком слов в живой речи, расширяет возможности лингвистических анализаторов, в которые можно встроить такой механизм. В этом примере исполь зуется поток слов из нескольких предложений, которые проверяются на принадлежность словарю, индексируют ся, и затем программа посылает сигнал возбуждения со ответствующего нейрона. На рис. 40 показана схема взаи модействия между тремя слоями и программой выделе ния слов. Здесь предполагается, что соответствия между словами уже установлены, и веса этих соответствий оди наковы для всех слов. В дальнейшем мы будем использовать множественные от ношения между словами, и при этом весовые коэффициенты 95 этих отношений будут определяться в зависимости от их значимости и контекстов. На этом примере можно проследить все основные осо бенности многослойных взаимосвязанных нейронных моде лей. Возбуждения, развивающиеся на одном из нейронных слоев, могут переходить на другой слой, в котором они могут порождать новые потоки возбуждений, которые в свою оче редь могут переходить на следующие слои и так далее. Вза Ïåðâîíà÷àëüíîå âîçáóæäåíèå ïîñëåäîâàòåëüíîñòè ñëîâ Ïåðåäà÷à âîçáóæäåíèé íà ñëîé ïîíÿòèé ÷åðåç ïîðò 10002 Ñëîé ïîíÿòèé ñëîâàðü Êîíñòðóèðîâàíèå íåéðîííûõ ñëîåâ è ñâÿçåé é òè íÿ î ï îé ñë é òû ðû ê Ñ Ïåðåäà÷à âîçáóæäåíèé íà ñëîé àíãëèéñêèõ ñëîâ ÷åðåç ïîðò 10001 Àíãëèé ñêèé ñ ëîâàðü Ðóññêèé Ñëîé RU Ñëîé EN Ðèñ. 40. Îòîáðàæåíèå ñëîâ íà ñâÿçàííûå ñ íèìè ïîíÿòèÿ (Ïðèìåð 3. ÍÝÑ http://www.nnod.com/np) 96 имосвязные нейронные слои могут соединяться в очень сложные структурнофункциональные образования, поэто му приемы концептуального анализа и декомпозиции явля ются важными составляющими процесса проектирования, позволяя получить требуемый уровень детализации и пред ставления. В некоторых случаях требования, предъявляе мые к наглядности представления, могут существенно изме нить внешний вид нейронной модели. Слова являются элементарными единицами общения в человеческой речи, и для каждого слова существует множе ство известных значений, как правило, приведенных в раз личных словарях. Поступающие в нейронную модель после довательности слов, возбуждая соответствующие нейронные группы, приводят к изменению динамического пространства понятий отдельных слов и контекстных значений, образо ванных в процессе всей истории развития конкретной ней ронной модели. В такой нейронной модели понимание можно определить как процесс нахождения наиболее оптимальной реакции в динамическом пространстве слов и контекстов. Внешнее проявление понимания всегда проявляется в виде реакции, поэтому уровень знаний системы можно, с точки зрения внешнего наблюдателя, свести к адекватности мно жества всевозможных реакций. Так же, как для каждого отдельного слова, существует множество словарных значений, так и для различных слово сочетаний существуют различные метазначения, а совмест ная совокупность наиболее вероятных значений определяет текущее состояние системы — понимание текущей фразы, которая в свою очередь, позволяет получить наиболее под ходящую для этого понимания реакцию. Очевидно, что глубина анализа словарных значений, как и значений словосочетаний, зависит от мощности нейронной модели. Чем больше вариантов значений в словаре системы и чем больше количество различных смысловых значений, связанных с различными словосочетаниями, тем глубже по нимание и тем более качественным будет реакция системы 97 (рис. 41). Установление связей между значениями слов и словосочетаний связано с необходимостью иметь одно временный доступ к большому количеству различных ин формационных сечений нейронной модели. Визуализации и построению пользовательских графических интерфейсов, предназначенных для редактирования систем представления знаний, уделяется большое внимание особенно в последние Смысл 1 Смысл 1 Смысл с 2 Смысл с 2 Смысл с i Смысл с i Смысл n Смысл n Ri Âûõîäíàÿ ðåàêöèÿ S1 Слово 1 Слово С Сл ово 2 .... .. Âåðîÿòíûå ñî÷åòàíèÿ ñëîâ â ñìûñëîâûå ãðóïïû Слово С Сл ово i ... S2 Слово С Сл ово n-1 Слово С Сл ово n Ðèñ. 42. Ãðàâèòàöèîííûé ðåäàêòîð íåéðîííûõ ìîäåëåé Copyright (c) 2005 NeMo Ltd. (http://kiberry.ru/nemo) Âõîäíàÿ ïîñëåäîâàòåëüíîñòü ñëîâ 1 2 i Íàèáîëåå âåðîÿòíîå çíà÷åíèå n-1 годы в связи с развитием мультимедийных методов пред ставления графических данных. На рис. 42 показан пример нейронного редактора NN Editor (автор А. Заборский), разработанный в компании NeMo (http://kiberry.ru) для моделирования диалогов с виртуальными агентами, размещенными на вебстрани цах. В его основу положен принцип гравитации представ лений [26], позволяющий выделять из большого количе ства взаимосвязанных нейронных структур наиболее близкие текущему пользовательскому представлению. n Ðàñïðåäåëåíèå âåðîÿòíîñòåé çíà÷åíèé äàííîãî ñëîâà â òåêóùåì êîíòåêñòå Ðèñ. 41. Ñî÷åòàíèå ñëîâàðíîãî ñìûñëà êîíêðåòíîãî ñëîâà è ñìûñëà ñëîâîñî÷åòàíèé 98 99 ∆p∆q ~ h, ∆t∆E ~ h, где h — постоянная Планка. ÏÅÐÖÅÏÒÈÂÍÀß ËÈÍÃÂÈÑÒÈÊÀ В середине прошлого века в физике и математике сформировались теоретические представления о грани цах возможностей получения точных или абсолютных знаний при проведении физических наблюдений и изме рений свойств и характеристик объектов реального мира или в логических построениях и доказательствах, обосно вывающих истинность или полноту какихлибо теорий. Помимо чисто теоретических результатов, представляю щих интерес в первую очередь для физиков и математи ков, в них содержатся универсальные методологические положения, которые могут быть использованы при реше нии прикладных инженерных, управленческих или эко номических задач. Более того, эти результаты позволяют по новому понять определенные феномены в, казалось бы, очень далеких от формальных наук областях искусства — поэзии и живописи. Принцип неопределенности Гейзенберга [12, 13] в фи зике гласит, что невозможно для частицы одновременно точно определить положение q и импульс p. Чем точнее мы определяем ее положение, тем меньше мы знаем об импульсе, и наоборот. Гейзенберг распространяет эти ограничения на основные динамические переменные, ха рактеризующие физические системы — временные и пространственные координаты q и t; а также импульс и энергию p и E: 100 Можно считать, что методологический смысл принципа Гейзенберга заключается в том, что при проектировании си стем мы должны постоянно учитывать эффект взаимосвя занных параметров, чтобы при увеличении точности опре деления одного параметра не потерять значение другого. В математике в 1931 году Курт Гедель [11] доказал тео ремы о непротиворечивости и неполноте, которые, если сформулировать их неформально, гласят, что любые непро тиворечивые аксиоматические формализации в теории це лых чисел содержат независимые высказывания, которые нельзя ни доказать, ни опровергнуть в рамках данной фор мализации и, если формализация в теории целых чисел не противоречива, то она неполна. В программировании теоре мы Геделя подтверждаются вполне конкретными практичес кими знаниями того, что в настоящее время не существует никаких способов доказательства корректности и результа тивности реальных программ, иначе как через их выполне ние. Если считать, что эти теоремы верны применительно к методам построения формальных систем грамматического анализа естественных языков в математической лингвисти ке, мы никогда не сможем построить полную и непротиворе чивую лингвистическую систему, способную в полном объе ме понимать и интерпретировать живую речь на базе тех принципов, которые используются в их основаниях. Можно найти множество подтверждений справедливо сти этих ограничений в программировании. Закон Брукса о том, что трудоемкость при разработке программ увеличива ется в 10 раз по мере превращения простой программы в си стемный программный продукт, отражают тот факт, что стремление получить абсолютный и завершенный продукт неожиданно приводит к существенным затратам на, каза лось бы, заключительном этапе интеграции. Брукс, анали зируя изолированные программные системы на примере 101 операционной системы IBM OS/360, еще в шестидесятых годах показал, что не существует такого программного продукта, который можно было бы считать завершенным — постоянно изменяющаяся внешняя среда приводит к не обходимости постоянно добавлять или модифицировать свойства программ. Принцип неопределенности Гейзенберга и теоремы Ге деля образуют конструктивную методологическую основу, используя которую проектировщики могут определить ар хитектурные ограничения и сконцентрироваться на направ лениях, позволяющих получить практические результаты оптимальным путем. В задачах интерактивного взаимодей ствия значение таких ограничений трудно переоценить. Действительно, с одной стороны, существует постоянное стремление к повышению точности определения значений слов и понятий в классической лингвистике (языкознании), а с другой — аналогичное стремление к созданию полной фор мальной теории языков, в рамках которой можно было бы определить семантику и прагматику процесса общения в ма тематической лингвистике. При проектировании интерактивных систем с примене нием различных форм организации диалога программисту в одинаковой мере могут понадобиться знания формальных методов построения и использования грамматик, равно как и фонологии, лексики и семантики из теории языкознания. При этом для программиста, как и для прикладного спе циалиста в традиционных инженерных областях, прин ципиально важным условием успешного решения являет ся нахождение «золотой середины» среди множества различных, зачастую противоречивых теоретических и прикладных знаний. Языкознание и математическая лин гвистика в определенной степени напоминают физику и математику, поэтому аналогии между принципом Гейзен берга и теоремами Геделя нам нужны для того, чтобы при проектировании прикладных интерактивных систем мы могли использовать разумные ограничения и оптимальные 102 сочетания результатов исследований в языкознании вместе с формальными методами анализа и синтеза из математи ческой лингвистики. Так, при помощи разнообразных словарных систем (на пример, Wordnet [9]) мы можем создавать достаточно глубо кие дефиниции и уточнения значений слов. При этом, сло варные системы представляют лишь статические характе ристики слов или словоформ в отрыве от их динамических связей, которые могут образовывать весьма сложный кон текст, влияющий на комплексное восприятие и понимание в процессе живого общения. Принцип Гейзенберга примени тельно к лексическому анализу может быть сформулирован следующим образом: чем точнее мы определяем статичес кое значение конкретного слова в потоке живой речи, тем меньше мы знаем о его контекстном смысле. Точное стати ческое значение слова в динамическом окружения так же невозможно определить, как и установить точные координа ты движущейся частицы: ∆m∆ ∆c ~ l, где l — некоторая лингвистическая постоянная (шум); m — статическое значение слова; c — контекстный смысл. Наличие вышеперечисленных ограничений позволяет существенно упростить моделирование интерактивных сис тем, однако при этом выбор и определение конкретных спо собов моделирования, степени формализации и глубины лексических представлений целиком зависят от индивиду ального автора. И здесь можно вспомнить, что один из самых фундаментальных трудов по программированию называет ся — “The Art of Computer Programming”. Монография «Ис кусство программирования» Дональда Кнута оказала су щественное влияние на формирование программирова ния как научнотехнической дисциплины. Кнут называет 103 программирование — искусством и считает, что программы могут содержать математические алгоритмы, быть оптими зированы при помощи математических методов, но при этом относиться к таким же произведениям искусства, как поэзия или музыка. Искусство обладает удивительной способностью соеди нять несовместимое и создавать образы, передающие ин формацию, самым неожиданным способом. Неудивительно, что такая выразительная способность привлекала интерес многих математиков и представителей других точных наук. Среди этих исследований для нас особый интерес представ ляют работы Б. В. Раушенбаха по зрительному восприятию в живописи [35, 36], в которых он последовательно анализи рует перцептивные и объективные модели пространства и их возможные представления в головном мозге человека. Рассматривая задачу художественного изображения объем ного трехмерного мира на плоскости рисунка, Раушенбах при ходит к неожиданным заключениям, которые могут ока заться весьма полезными при моделировании лингвисти ческих процессов. Зрительное восприятие основано с одной стороны, на хо рошо изученных оптических преобразованиях в глазе, а с другой — в нем участвуют куда менее понятные процессы обработки зрительных образов в головном мозге. В физиоло гии, психологии, физике и математике можно найти множе ство разнообразных моделей, имеющих отношение к зре нию, однако их объединение в одно целостное представление да сих пор является весьма сложной задачей. Математичес кие модели зрительных образов рассматриваются в геомет рии, где в зависимости от выбора аксиом можно получить геометрии Эвклида, Лобачевского, Минковского и других, в которых учитываются различные теоретические и объек тивные свойства реальности. Из психологии и физиологии хорошо известны факты о том, что внутреннее представле ние и объективный реальный образ могут существенно от личаться друг от друга. Человек восстанавливает трехмер 104 ное пространство, используя двухмерные зрительные сен соры. Искажения, которые вносит головной мозг в зритель ные представления, служат для более эффективного моде лирования реальности, которое являясь индивидуальным, зависит от многих условий. Ðàçðûâ Ãåîìåòðèÿ Ëîáà÷åâñêîãî Ãåîìåòðèÿ Ýâêëèäà Ðèñ. 43. Ðàçðûâ â äâóõ ãåîìåòðè÷åñêèõ ïðåäñòàâëåíèÿõ â æèâîïèñè Если зрительное восприятие можно назвать прямой за дачей, то художники решают обратную задачу отображения на двухмерной поверхности картины некоторых событий или свойств внешнего мира, которые в общем случае, поми мо трехмерных геометрических свойств, могут включать динамику движения, время и целый ряд других факторов, совокупность которых создает художественный образ. Рас сматривая процесс создания художественных изображе ний, Раушенбах анализирует свойства объективного и перцептивного пространств и приходит к интересному заключению: поскольку геометрические свойства реальных объектов и их перцептивных образов принципиально от личаются, художникам приходится постоянно находить 105 индивидуальные решения для создания иллюзии единства двух различных геометрических представлений. Анализи руя свойства переднего и заднего планов картин, зрительно го восприятия в целом, Раушенбах показывает наличие раз рывов между двумя различными геометрическими моделя ми (рис. 43), которые художники, осознанно или интуитивно, соединяют, решая при этом проблему совмещения двух гео метрий — Эвклида и Лобачевского. По представлениям Раушенбаха существуют два основ ных способа передачи объективного пространства — чер теж, передающий объективную геометрию, и рисунок, пере дающий геометрию перцептивную. Таким образом, один и тот же предмет можно изобразить двумя способами — в чер теже и в рисунке, и при этом оба изображения будут верны, что и использовали художники, во все времена эксперимен тируя с их различными сочетаниями. На протяжении многих веков художники, решая крайне сложные задачи моделирования многомерных образов, де монстрируют торжество здравого смысла над односторон ними знаниями. Понимая парадоксальность определенных форм и методов, художники находят разнообразные искус ственные приемы, позволяющие устранять разрывы и со единять несовместимые части в гармоничное целое. Искус ство программирования в этом смысле можно в полной мере сравнить с искусством живописи. В информационных систе мах приходится преодолевать разрывы и сочетать методы и подходы в такой же степени противоречивые и казалось бы несовместимые как геометрии Эвклида и Лобачевского в живописи. При этом программистам приходится решать практически эквивалентную задачу отображения сложных многомерных динамических процессов в информационные представления, обладающие более низкой размерностью. Введем в состав нашей информационной системы пер цептивное пространство (рис. 44), в котором будет осуществ ляться моделирование представлений и знаний о внешнем мире. Для создания целостной системы, способной к осмыс 106 ленному реагированию, нам необходимо будет объединить структурные компоненты математической лингвистики, сло вари и тезаурусы, классы и методы объектноориентирован ного программирования вместе с нейронными моделями. Ñðåäà U Ñèñòåìà S1 Ïåðöåïòèâíîå ïðîñòðàíñòâî Íàáëþäàòåëü Î1 Ðèñ. 44. Ïåðöåïòèâîå ïðîñòðàíñòâî â èíòåðàêòèâíîé ñèñòåìå Современные методы математической лингвистики с дос таточной эффективностью позволяют анализировать и синте зировать сравнительно короткие фрагменты речи. С другой стороны нейронные модели и семантические сети позволяют создавать и поддерживать достаточно глубокие контекстные представления. Мы будем понимать под перцептивной лингви стикой объединение методов математической лингвистики и нейронных моделей, способное создавать и поддерживать пер цептивные пространства в информационных системах. Так же как проекции двухмерных зрительных обра зов позволяют воссоздать трехмерное изображение, а чертежные знаки и дополнительные детали (перспектива, 107 цвет, и т. п.) позволяют воссоздать полную картину реального объекта, нейронные проекции и связанные с ними параметри ческие таблицы и процедуры реагирования позволяют полу чить представление о многомерных свойствах информацион ных объектов, событий и процессов и их реакций. Êîíòåêñòíûå ìîäåëè ÊÎÍÒÅÊÑÒÛ È ÂÐÅÌÅÍÍÀß ËÎÃÈÊÀ Ïå ð ëè öåï íã òè âè âí ñò àÿ èê à Êîíòåêñòíî-ñâîáîäíûå ãðàììàòèêè Ðèñ. 45. Ïåðöåïòèâíàÿ ëèíãâèñòèêà — îáúåäèíåíèå êîíòåêñòà è êîíòåêñòíî-ñâîáîäíûõ ãðàììàòèê Практическое воплощение перцептивной лингвистики в нашем случае представляет собой внутрисистемный интер фейс, позволяющий унифицировать поток сообщений/ре акций и объединить контекстнонезависимые грамматики с динамическим контекстом нейронных моделей. Например, мы можем использовать грамматики распознавания речи для анализа потока голосовых сообщений и при помощи ней ронных моделей динамически расширять их в зависимости от конкретного контекста в процессе общения. 108 В практике программирования хорошо известны приме ры успешного применения нейронных моделей при решении задач классификации и распознавания образов. Однако ис кусственные нейроны могут быть не менее эффективно ис пользованы для построения более широкого класса динами ческих систем, включая интерактивные и диалоговые систе мы. Как уже отмечалось выше, обмен сообщениями в процессе диалога приводит к изменению внутреннего состо яния участвующих в этом обмене систем. При этом измене ния могут происходить не только в системе, получающей со общения, но и в системе, которая эти сообщения иницииру ет. Такие изменения, во всей их совокупности, образуют контекст конкретного взаимодействия. В общем случае в этом процессе может участвовать произвольное количество систем, однако мы ограничимся рассмотрением случая об мена сообщениями между двумя системами (рис. 46). Очевидно, что синтез и анализ сообщений в этих систе мах должен происходить в зависимости от контекста, кото рый, в свою очередь, может быть определен набором соот ветствующих параметров. В реальных системах контекст представляет собой сложную динамическую структуру. В него может входить информация о разнообразных характе ристиках и свойствах обсуждаемой предметной области, а также об отношении к ним сторон, участвующих в обмене. Примерами контекста могут служить время, место, модель, 109 Ñèñòåìà S2 Ñèñòåìà S1 Ñîîáùåíèå m 1,j Èçìåíåíèå âíóòðåííåãî ñîñòîÿíèÿ Ñîîáù åíèå m 2,j Èçìåíåíèå âíóòðåííåãî ñîñòîÿíèÿ Ðèñ. 46. Èíòåðàêòèâíûé îáìåí ñîîáùåíèÿìè ìåæäó äâóìÿ ñèñòåìàìè стоимость, в такой же степени, как и лингвистические свой ства сообщения, такие, например, как принадлежность к той или иной лингвистической группе — вопрос, утверждение, приветствие и т. п. Моделирование контекстов, отражающих смысл теку щего разговора, является одним из ключевых факторов, оп ределяющих эффективность интерактивного процесса. Рас смотрим некоторые особенности различных методов мо делирования, которые могут оказаться полезными при практическом построении интерактивных систем. Логическое моделирование. При логическом моделиро вании контекстов, например, в среде языков программиро вания, задача в конечном итоге сводится к нахождению мно жества логических функций, включающих переменные, ха рактеризующие контекст взаимодействия. При изменении значений этих переменных, в результате вычисления логи ческих функций может быть выполнена та или иная проце дура Pi, отвечающая за реакцию соответствующего состоя ния системы. Если предположить, что существует n пере менных, определяющих контекст системы Si, тогда задачу вызова процедур Pi можно свести к нахождению и последу ющему решению логических функций: 110 if (f1 (X1, X2, … Xn)) then P1 if (f2 (X1, X2, … Xn)) then P2 … if (fm (X1, X2, … Xn)) then Pm При использовании нечетких и временных логик для сравнительного небольшого и ограниченного набора пере менных можно получить вполне приемлемые решения. Однако при увеличении количества переменных и взаимо связей между ними происходит лавинообразное увеличение сложности, в результате чего общее решение на основе логи ческого моделирования оказывается практически невоз можным. В реальных системах количество переменных, влияющих на контекст, может насчитывать несколько ты сяч, при том что количество связей между ними может быть такого же порядка. Наиболее сложным при программиро вании таких логических функций является открытый ха рактер систем, что предполагает постоянное изменение как количества внутренних переменных, так и взаимо связей между ними. Аппаратное моделирование. При использовании аппа ратных моделей, в распоряжении проектировщиков имеют ся различные функциональные и логические, в том числи и аналоговые, элементы — память, дешифраторы, задержки, преобразователи и т. п., в основе работы которых лежит пос ледовательная логика. При проектировании аппаратных си стем одним из наиболее критических факторов является время. Распространение сигналов, логика срабатывания функциональных элементов, переходные процессы при пе реключениях — все это имеет определенные временные ха рактеристики, учет которых приводит к необходимости применения синхронизаций, стробирования, задержек и других способов, позволяющих получать логические реше ния в условиях реального времени. Различия между аппаратным и логическим моделиро ванием, связанные с фактором реального времени, имеют 111 фундаментальный характер. События в аппаратных систе мах имеют естественную асинхронную природу, в отличие от логического моделирования в программных средах, где практически всегда существует возможность упорядочить потоки событий при помощи подсистем планирования и уп равления очередями. Анализ временных диаграмм с целью их синхронизации является одним из основных методов проектирования в аппаратном моделировании. Для этого в процессе моделирования совмещают логические схемы и временные диаграммы. На рис. 47 приведен пример такого со вмещения, где в качестве последовательного логического эле мента выбран простейший двоичный счетчик. Q0 Ïîñëåäîâàòåëüíîñòü CLK Q1 Q2 Q3 J Q J Q J Q J Q K Q K Q K Q K Q чертах, очень похожа на технологию аппаратнопрограмм ного проектирования логических устройств. Роль логики в музыке исполняет гармония, в которой определяются акси оматические основания для законов объединения звуков и созвучий в последовательности, в рамках той или иной му зыкальной теории. Как и в математической логике, в музыке существуют свои аксиоматики, языки, теории построения и интерпретации. Если рассмотреть музыкальные нотации с точки зрения формальных языков, то можно считать, что ее алфавит со стоит из множества нот определенной частоты и длительно сти. В отличие от классической операции конкатенации, которая определяется в теории формальных языков как операция соединения символов в последовательности, в музыкальных нотациях конкатенация является много мерной, то есть ноты могут быть соединены в цепочки во NOT Âõîäíàÿ ïîñëåäîâàòåëüíîñòü 0 1 Q1 0 0 1 Q2 0 0 0 Q0 0 1 1 0 0 1 0 1 0 0 1 1 1 1 1 1 Ðèñ. 47. Ïðèìåð äâîè÷íîãî ñ÷åò÷èêà è åãî âðåìåííàÿ äèàãðàììà (http://www.ets.ifmo.ru:8101/denisov/lec/lec4.htm) Существует еще одна область человеческой деятельнос ти, где формальные нотации и определенным образом свя занные последовательности исполнений самым тесным об разом синхронизированы в реальном времени. Речь идет о музыке, где используется своеобразная языковая формали зация нотных записей, и, если так можно выразиться, техно логия проектирования музыкальных произведений, в общих 112 Ðèñ. 48. Âðåìåííîå ïðîãðàììèðîâàíèå â ìóçûêå Copyright (c) 1999 James Ingram (http://www.the-notation-of-time.de/Website1999-2004/devmus.htm) 113 многих направлениях. В целом же музыкальные произведе ния похожи на программы и их языковые конструкции могут быть интерпретированы параллельно и асинхронно. Способы описания параллельных и асинхронных исполне ний, применяемые в музыке, представляют особый интерес для нейронного моделирования. На рис. 48 показан пример му зыкального произведения и временная диаграмма последова тельности нот в форме амплитудновременных характерис тик из работы Джеймса Инграма “The Notation of Time” [14]. Исполнение музыкальных произведений можно рас сматривать как множество развивающихся во времени па раллельных процессов, порожденных на основании исход ных нотных текстов. Каждый из этих процессов состоит из последовательности возбуждений и торможений некоторых музыкальных объектов, которые обладают в целом сравни тельно небольшим динамическим набором хорошо форма лизуемых акустических свойств. Если считать, что каждый такой процесс последовательно возбуждает и затем опреде ленным образом изменяет амплитуду звука в соответствии с партитурой, мы можем представить музыкальное исполне ние в виде трехмерного пространства процессов, как это по казано на рис. 49. Àìïëèòóäà Èíñòðóìåíò (÷àñòîòà) Âðåìÿ Ðèñ. 49. Àìïëèòóäíî-÷àñòîòíîå ïðåäñòàâëåíèå èñïîëíåíèÿ ìóçûêàëüíîãî ïðîèçâåäåíèÿ 114 Здесь будет уместно привести в качестве примера рису нок И. Стравинского из его книги “Conversations With Igor Stravinsky” [25], характеризующий его представление о гар монии и способах развития музыкальных тем как процессов, развивающихся во времени и пространстве. Представления Стравинского о разнообразных формах построения музыкальных произведений могут быть ис пользованы при организации диалога между человеком и информационной системой. Опираясь на его представления о динамике развития музыкальных произведений, можно по лучить множество различных архитектурных решений орга низации диалогов — простые линейные разговоры, парал лельные линейные непересекающиеся темы, линейно связанные темы, и т. п. В нотах и их музыкальных интерпретациях сочетают ся дискретные, формальнологические описания, кото рые задает автор и аналоговое параллельное исполнение, интерпретирующими эти партитуры музыкантами. Если сравнить рис. 47, где представлена амплитудночастотная характеристика музыкального исполнения и рис. 24, на ко тором показано развитие возбуждений в нейронах, то можно увидеть, насколько эти две модели похожи. Нейро ны обладают очень близкими к нотам свойствами и харак теристиками, а их способность к возбуждению и тормо жению позволяет говорить об возможности применения 115 некоторых из формальных свойств музыкальных моде лей в нейронном программировании. Сравнительно простой нотный язык позволяют созда вать необыкновенное разнообразие музыкальных компози ций — от незатейливых мелодий до чрезвычайно сложных симфонических произведений, при этом в нем можно выде лить несколько характерных отличий от свойств языков программирования. 1. Нотный алфавит включает в себя элементы, облада ющие временными свойствами. 2. Конкатенации элементов алфавита в цепочки могут иметь несколько направлений. 3. Пространство, где осуществляется исполнение нот ных записей, является многомерным. 4. Форма записи (нотный стан) обладает возможностью создавать большое количество параллельных про цессов и синхронизировать их исполнение. В нотном языке, как и любом другом, можно создавать конструкции, обладающие определенными свойствами, и проводить их анализ, применяя различные формальные или неформальные методы. Для нейронных моделей должен су ществовать не менее эффективный способ описания, вре менная логика и язык, в котором можно создавать времен ные конструкции, применяя которые можно проводить ана лиз и синтез нейронных структур. Фактическое подобие нейронных и музыкальных моделей позволяет воспользо ваться некоторыми музыкальными приемами и методами, применительно к формальным методам описания и интер претации нейронных систем. По сравнению с музыкальными системами, нейронные модели обладают еще более высоким уровнем динамизма — в нейронных моделях сама «партитура» может развивать ся и модифицировать свои свойства во времени. Способность нейронов к клонированию и динамическому установлению связей с другими нейронами позволяет говорить о програм мировании программ в полном смысле этого понятия. 116 Рассмотрим в качестве примера клонирование некоторых основных типовых нейронных структур. В вычислительной технике в качестве простейшего запоминающего элемента ис пользуется триггер — устройство из двух базовых логических элементов, способное сохранять одно из n устойчивых состоя ний и переключаться в зависимости от входного сигнала. Для построения триггера применяются обратные связи, соединяю щие попарно выходы логических элементов, с входами, отве чающими за сброс данного элемента в нулевое состояние. На рис. 50 показаны простейший двоичный RS (SetReset) триг гер и его двоичный нейронный эквивалент. O2 O1 1 2 2 HAND 1 HAND I1 Ñáðîñ I2 Ðèñ. 50. Ýëåêòðîííûé òðèããåð è åãî íåéðîííûé àíàëîã Для построения нейронного эквивалента двоичного триггера понадобятся четыре нейрона, соединенные по парно, причем прямые связи имеют веса: w0,1 и w2,3, рав ные +1, а обратные — w0,3 и w2,1, равные –1. При таком со единении, в случае возбуждения нейрона 0, что соответ ствует единичному сигналу на входе I1 (предполагается, что пороговое значение нейрона равно или меньше уровня входного возбуждения), нейрон 0 распространит возбуж дение через все свои выходы. При этом нейрон 1 получит 117 положительный единичный входной сигнал, который пере ведет его в возбужденное состояние, а нейрон 3 получит от рицательный единичный сигнал, который сбросит его воз буждение, если этот нейрон был возбужден перед этим. Точ но так же работает нейрон 2. Таким образом, эта схема полностью повторяет работу триггера. В отличие от абстрактного логического элемента, ней ронный триггер имеет дополнительный параметр — время переключения, управляя которым можно получать различ ные временные задержки. Замкнув пару триггеров в кольцо, можно получить сетевую петлю — модель бесконечного цикла. Интерпретация петель, или бесконечные циклы, в нейронных моделях имеют практический смысл. Поскольку в них при сутствует время, бесконечный цикл может быть использо ван как синхронизатор различных процессов и событий, по скольку большинство операций в нейронном программиро вании зависит от времени, в отличие от оператора в языках программирования, где большинство операций должны быть инвариантны ко времени. Рассмотрим подробнее процесс создания нейронных компонент. Двоичный нейронный триггер легко расширить и получить многовходовой запоминающий элемент для n со стояний. На рис. 51 показано решение для нейронного тригге ра, имеющего шесть состояний. Используя НЭС, мы можем до статочно легко построить двоичный нейронный триггер, кло нируя протонейрон и последовательно соединяя пары нейронов в полученной группе, задавая веса связей соответ ственно +1 и –1. Однако если мы захотим построить нейрон ный триггер, имеющий 100 состояний, ручное программиро вание вряд ли можно считать целесообразным. На первый взгляд может показаться, что эту задачу достаточно просто решить традиционными прoграммными методами. Действи тельно, если существует программаэмулятор, в которой под держиваются нейронные модели, то очевидно, что внутри этой програмы возможно создать подпрограмму или метод, способ ные построить такой триггер, например следующим образом: 118 Number_of_States = 100; for (i := 1; i <= Number_of_States*2; i++) { make_New_Neuron(i); } for (i := 1; i <= Number_of_States; i++) { for (j := Number_of_States+1; j <= Number_of_States*2; i++) { w = -1; if (j == i + Number_of_States) w = 1; make_New_Nerve(i, j, w); } } Óòâåðæäåíèå Âîïðîñ Îòâåò Ïîìîùü Òåêóùåå àêòèâíîå çíà÷åíèå Ðèñ. 51. Ñèñòåìà èç øåñòè íåéðîííûx òðèããåðîâ Выполнение такой программы возможно либо непосред ственно в теле нейронной оболочки, либо нам понадобится интерфейс, похожий на SQL/ODBC. В любом случае, если 119 программирование регулярных нейронных структур можно свести к достаточно простым программам, сложные нере гулярные структуры приведут к существенному услож нению алгоритмов и собственно программирования. Используя механизм клонирования и временных задер жек, это же решение может быть достигнуто иным способом. Если соединить вместе временную логику клонирования и гармонические законы музыки, то программисты смогли бы создавать последовательности, управляющие развитием нейронных систем, и при этом проверку качества решения, отладку и выявление ошибок можно было бы осуществлять в той же форме, как это делают композитор и дирижер. Можно предположить, насколько эстетичнее был бы такой процесс программирования! 120 ÊËÎÍÈÐÎÂÀÍÈÅ Способность нейронов к клонированию открывает воз можности для создания сложных многосвязных структур по аналогии с тем, как это происходит с синтезом белков в био логических организмах. Перед тем, как перейти к анализу программных методов клонирования, рассмотрим, как про исходит этот процесс в биологических системах. Можно от нести к самым выдающимся в истории человечества откры тие Дж. Уотсоном и Ф. Криком [29] двойной спиральной структуры соли дезоксирибонуклеиновой кислоты (ДНК), которая лежит в основе воспроизведения биологических клеток. На рис. 52 показано структурное (а), молекулярное (б) и информационное (в) представления этой молекулы. Ка кими бы сложными ни были структура и организация цепи ДНК, с точки зрения программирования она представляет собой последовательность кодов, которые могут быть интер претированы исполнительным механизмом — процессором, роль которого в клетке выполняют рибосомы. Если считать, что рибосома — это исполнительный про цессор, а молекула РНК — программа, то синтез белков яв ляется ничем иным, как параллельным исполнением после довательности кодов, записанных на носителе — ленте РНК, полученной путем копирования части другого носителя — ленты ДНК. Все остальные детали, связанные с процессом непосредственного химического синтеза, для программистов не представляют особого интереса, так же как и собственно 121 ÐÍÊ Ðàñòóùàÿ ïîëèïåïòèäíàÿ öåïü Óõîäÿùàÿ ñâîáîäíàÿ ò ÐÍÊ Ф Мет А Арг А Г Мет Иле Асп Сер Ðèáîñîìà РНК1 Îáðàçîâàíèå íîâîé ïîëèïåïòèäíîé öåïè РНК2 Ц= Ц= А= Ц= Ц А äîí èêî Àíò Г природа исполнения команд в любом процессоре — будь это биологическая рибосома или кремниевый Intel 8080. На рис. 53 показан процесс синтеза белков из последова тельностей троек нуклеотидов — кодонов, отвечающих за присоединение соответствующих аминокислот, из которых в конце концов и формируются белки. Количество кодонов можно считать соизмеримым с количеством кодов в слож ных программах, таких например, как операционная систе ма. Единственное отличие между современным процессором и внутриклеточными процессами — это скорость интерпре тации. Можно считать, что в основе деления клеток лежит процесс интерпретации достаточно простых кодов, образу ющих очень длинные последовательности. При этом в био логических системах важную роль играют внешние факто ры — ферменты, электромагнитные поля и другие, которые можно представить как дополнительные параметры, влияю щие на исполнение. Если сравнить процесс синтеза белка в клетке и вычис лительную систему Тьюринга [28], можно увидеть, что меж ду ними существует много общих структурныхфункцио Ïðèõîäÿùàÿ àê-ò ÐÍÊ А У Г Ц Г А А У Г Ц У Г У У Г У Г Ц Г Г У ... Êîäîíû Ëåíòà ÐÍÊ Ñ÷èòûâàþùàÿ ãîëîâêà ðèáîñîìû Íàïðàâëåíèå äâèæåíèÿ ðèáîñîìû Èñïîëíåíèå Ðèñ. 53. Áèîëîãè÷åñêàÿ ñõåìà ñèíòåçà áåëêà è åå ïðîãðàììíîå ïðåäñòàâëåíèå Copyright (c) Áîëüøàÿ Ñîâåòñêàÿ Ýíöèêëîïåäèÿ (òðàíñëÿöèÿ â áèîëîãèè) (http://encycl.yandex.ru/art.xml?art=bse/00080/15000.htm&encpage=bse) Ðèñ. 52. Òðè ïðåäñòàâëåíèÿ ÄÍÊ Copyright (c) 2003 Å.Ä. Ñâåðäëîâ (http://www.ibmh.msk.su/vivovoco/ VV/JOURNAL/VRAN/DNA/NA.HTM#zero) 122 нальных свойств. Система Тьюринга (рис. 54) включает в себя вычислительную машину и ленту, состоящую из мно жества ячеек, в которых могут быть записаны символы. В каждый момент времени вычислительная машина обраба тывает одну ячейку ленты, содержащую один символ — S(i) и характеризуется состоянием qi из конечного множества состояний qn. Поведение машины определяется набором ко манд, которые определяются парой qi, S(i). В зависимости от конфигурации, в которой она находится, машина может сдвигать ленту вправо или влево, записывать или считы вать символы в ячейки и изменять свое состояние (конфи гурацию). Эта машина является элементарной системой 123 программирования, которую А. Тьюринг использовал в пер вую очередь для того, чтобы уточнить понятие алгоритма и вы числимости. Несмотря на чисто теоретический характер его работы и примитивность базовых операций, мы можем ис пользовать модель машины Тьюринга для построения прак тического механизма клонирования искусственых нейронов. Расширим внутренний механизм сенсорного реагирова ния нейрона, добавив к каждому сенсору входную очередь, способную хранить внутри себя последовательности вре менных задержек, которые будут определять время, по ис течении которого, данный сенсор нейрона будет возбужден (рис. 55). Будем представлять входные сигналы как пару — время задержки и амплитуда (ti, ai). При этом, амплитуда входного сигнала должна быть нормирована от –1 до +1, а время задержки должно быть задано в виде целого числа в миллисекундах. Например, мы можем загрузить в магазин, связанный с сенсором возбуждения, последовательность (10 000, 0,5), (5000, 1), (2000, –1). В этом случае нейрон возбу Si-2 Si-1 Si Si+1 Si+2 H Si Si+1 M qi+1 qi Q Ðèñ. 54. Ñõåìà ðàáîòû ñèñòåìû Òüþðèíãà 124 дится последовательно три раза, через 10 секунд с уровнем возбуждения 0,5, затем через 5 секунд с уровнем возбужде ния 1 и еще через 2 секунды с уровнем возбуждения –1. Î÷åðåäü âõîäíûõ ñèãíàëîâ Âõîä tn,an ... t3,a3 t2,a2 t1,a1 Ê ñåíñîðó Ðèñ. 55. Î÷åðåäü âõîäíûõ ñèãíàëîâ Очевидно, что добавление в модель нейрона очередей входных сигналов, обладающих временными характеристи ками, предполагает наличие механизма внутренней и внеш ней синхронизации. Синхронизация является одним из фун даментальных свойств реальных систем, будь то биологи ческие, социальные или технические устройства. Очереди сигналов, связанные с сенсорами внутри нейрона, позволяют перейти к построению более общей модели клонирования, спо собной к воспроизведению сложных структур, на основе срав нительно простых последовательностей кодов, которые могут быть представлены в виде ленты, по аналогии с биологически ми и математическими лентами, рассмотренными выше. Допустим, что в момент возбуждения сенсора Клон (см. рис. 33) нейрон, прежде чем выполнить операцию клониро вания, постарается найти подходящую для него ленту, кото рую мы будем называть Neuro_DNA и, если такая лента су ществует, выполнить клонирование в соответствии с после довательностью кодов, записанных на этой ленте. Под такой лентой для нейрона будем использовать файл, который мо жет находиться в определенном месте и иметь название: i.dna, где i — номер нейрона. Ниже приведен фрагмент мето да клонирования нейрона, где показано, как происходит чте ние файла с данными для клонирования: 125 try { String file_Name = this.id + “.dna”; FileInputStream fstream = null; fstream = new FileInputStream(file_Name); BufferedReader in = new BufferedReader(new InputStreamReader(fstream)); String theInput = “”; while ((theInput = in.readLine()) != null) { ... ... this.cloneNode(v_S_DELAY, v_L_DELAY, v_C_DELAY); } }catch (IOException e) { this.cloneNode(null, null, null); } Ñåíñîð S Ñåíñîð L Ñåíñîð C Íåéðîí 1 (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) Íåéðîí 2 (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) Íåéðîí 3 (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) ... Íåéðîí N (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) (t1,a1),(t2,a2),...(tn,an) Ðèñ. 56. Ñòðóêòóðà ôàéëà Neuro_DNA 126 Структура файла представляет собой последователь ность строк (последовательность символов, ограниченная CRLF в MS Windows), каждая из которых в свою очередь состоит из трех последовательностей пар, разделенных LF (рис. 56). Алгоритм клонирования нейронов чрезвычайно прост: протонейрон, инициированный для выполнения этой опера ции, начинает читать принадлежащий ему файл Neuro_DNA, по мере чтения очередной строки создает клон и загружает в его сенсорные очереди соответствующие последовательнос ти пар задержек и амплитуд сигналов. Neuro_DNA можно также представить как линейную последовательность пар, разделенную на подпоследовательности двумя типами спе циальных символов — маркеров. Один из этих маркеров — NN (New Neuron) инициирует создание нового нейрона. Дру гие маркеры — QSS, QLS и QCS (Que to Select/Link/Clon Sensors) определяют сенсор во вновь созданном нейроне, в очередь которого будет записана следующая за этим марке ром группа пар. ... (t ,a ) (t1,a1) NN QSS(t ,a ) 1 1 NN QSS (t ,a ) (t ,a ) QLS (t1,a1) QCS 1 1 1 1 1 1 ... (t1,a1) (t1,a1) (t1,a1) (t1,a1) (t1,a1) (t1,a1) Ðèñ. 57. Êëîíèðîâàíèå íåéðîíîâ ïðîòîíåéðîíîì â ðåçóëüòàòå ëèíåéíîãî ñ÷èòûâàíèÿ ëåíòû Neuro_DNA 127 128 (0,0) (0,0) (5000,1),(10000,1),(10000,1),(10000,1),(10000,1),(5000,1) (0,0) (5000,1),(10000,1),(10000,1),(10000,1),(5000,1),(15000,1) 11 12 (0,0) (5000,1),(10000,1),(10000,1),(5000,1),(15000,1),(10000,1) 10 Ðèñ. 58. Ðàçìíîæåíèå íåéðîíîâ ñ çàäàííûìè âðåìåííûìè ïàðàìåòðàìè (0,0) (0,0) (5000,1),(10000,1),(5000,1),(15000,1),(10000,1),(10000,1) 9 (t1,a1) (t1,a1) (0,0) (0,0) (5000,1),(5000,1),(15000,1),(10000,1),(10000,1),(10000,1) 8 (t1,a1) (t1,a1) (t1,a1) (t1,a1) (0,0) (0,0) (1000,1),(14000,1),(10000,1),(10000,1),(10000,1)(10000,1) 7 (t1,a1) (t1,a1) (0,0) (50500,1),(5500,-1) (0,0) 6 (t1,a1) (t1,a1) (0,0) (40500,1),(5500,-1) (0,0) 5 (0,0) (0,0) (30500,1),(5500,-1) (0,0) 4 (0,0) (0,0) (20500,1),(5500,-1) (0,0) 3 (0,0) (10500,1),(5500,-1) (0,0) 2 (0,0) (1500,1),(5500,-1) (0,0) Ñåíñîð Ñ 1 (t1,a1) (t1,a1) Ñåíñîð L (t1,a1) (t1,a1) Ñåíñîð S (t1,a1) (t1,a1) Íåéðîí (t1,a1) (t1,a1) Òàáëèöà 3 Конкретный пример файла Neuro_DNA для протоней рона 0, позволяющий создать нейронный триггер для шести состояний (см. рис. 51), приведен в табл. 3. Если представить его в табличном виде в формате Excel этот файл имеет 12 строк и 3 столбца и в соответ ствии с этим протонейрон, выполняя операцию клониро вания, построит 12 новых нейронов и поместит в сенсор ные очереди каждого из них соответствующие последователь ности пар задержек и амплитуд. Процесс клонирования, соответствующий структуре связей между 12 нейронами, приведен в Примере 4 НЭС. В этом примере если возбу дить сенсор C (Clone) нейрона 0, возникнет группа, между элементами которой будут установлены связи в соответ ствии с временными задержками и весами, заданными в файле 0.dna. Клонирование и одновременное создание связей между нейронами можно считать аналогом программирования, одна ко механизмы, которые лежат в основе нейронных процессов, 129 одинаковы как для создания функциональных структур, так и для их исполнения. В нейронных моделях при раз витии и модификации внутренних свойств используется тот же механизм возбуждения, что и при реакции на вне шние сигналы. Если в вычислительных системах про грамма и компьютер имеют принципиально различную природу, в нейронных системах создание функциональ ных структур и их интерпретация осуществляются оди наковым образом. При этом нейронная система является высоко параллельным образованием, после размножения каждый нейрон начинает свой собственный процесс раз вития. На рис. 59 показана временная диаграмма образования соединений между нейронами, образующими триггер для шести состояний. Красным цветом показаны возбуждения, в результате которых будут построены положительные свя зи, а голубым — последовательности возбуждений, которые приведут к созданию отрицательных связей. Период нахож дения нейрона в состоянии «Выбран», в которое нейрон пе реходит при возбуждении сенсора S, здесь принят равным 5 сек или 5000 мсек. В данном примере используются относи тельные временные интервалы, и для согласования возмож ных потерь в процессе интерпретации (аналогичные пере ходным процессам в реальных физических схемах) мы бу дем использовать компенсирующие временные поправки, которые для данного примера равны 500 мсек. Предполагается, что время клонирования всех нейронов пренебрежимо мало, и в некоторый момент, все они запуска ют внутренние процессы обработки очередей событий, со зданных протонейроном в момент их создания. Через 1000 мсек после рождения нейрон 7 перейдет в состояние «Выбран», в котором он будет находиться 5000 мсек. Че рез 1500 мсек, нейрон 1 возбудит сенсор L (Построить связь) и в этот момент будет образована положительная связь между нейроном 1 и нейроном 7. Через 5000 мсек воз будятся нейроны 8–12 и через 7000 (1500 + 5500) мсек сно 130 ва возбудится нейрон 1, в результате чего будут установ лены отрицательные связи между нейроном 1 и нейрона ми 8–12, и так далее до тех пор, пока не будут образованы все связи этого триггера. Период времени, в течение которого нейрон имеет воз бужденное состояние, может быть выбран за основу для оп ределения базовой частоты синхронизации в модели в це лом. В дальнейшем мы будем использовать минимально воз можное время, в течение которого нейрон обладает способностью к соединению — τ, как специальную величину, которая зависит от конкретной вычислительной системы и может быть вычислена эмпирически. Например, в нашем случае τ = 10000 мсек. Ñåíñîð S 14000 1000 Íåéðîí 7 10000 10000 10000 10000 5000 Íåéðîí 8 Íåéðîí 9 Íåéðîí 10 Íåéðîí 11 Íåéðîí 12 Âðåìÿ (ìñåê) Ñåíñîð L 1500 5500 Íåéðîí 1 10500 Íåéðîí 2 Íåéðîí 3 Íåéðîí 4 Íåéðîí 5 Íåéðîí 6 1000 10500 20500 30500 40500 50500 Âðåìÿ (ìñåê) Ðèñ. 59. Âðåìåííàÿ äèàãðàììà ïîñòðîåíèÿ íåéðîííîãî òðèããåðà äëÿ øåñòè ñîñòîÿíèé 131 Таким образом, поведение каждого нейрона может быть представлено в виде последовательности событий, которая может быть синхронизирована с другими нейронами как при помощи относительных временных задержек, так и пу тем введения глобальных стробирующих последовательно стей. Мы будем в дальнейшем использовать комбинирован ные методы синхронизации, по возможности не усложняя структуру искусственного нейрона без необходимости. ÑÅËÅÊÒÈÂÍÛÉ ÊÎÍÒÅÊÑÒ Какими бы развитыми не были формы общения между человеком и интерактивными системами, без их информа ционного наполнения предметными данными такие системы имеют весьма ограниченную область применения. Нейрон ные модели позволяют создавать системы, способные под держивать сложные динамические контексты. Примером таких систем являются диалоговые и поисковые системы, в которых фразы или поисковые запросы в значительной сте пени зависят от контекста. Наибольший практический инте рес для моделирования виртуальных представителей пред ставляет объединение поисковых методов с диалоговыми фор мами. Рассмотрим в качестве примера разговор Покупателя и Продавца в гипотетическом виртуальном магазине: Ïîêóïàòåëü: ß áû õîòåë ïðèîáðåñòè öèôðîâóþ êàìåðó. Ïðîäàâåö: Âîò, íàïðèìåð, íåñêîëüêî êàìåð, ñ ðàçëè÷íûìè êà÷åñòâàìè. Êàêàÿ èç íèõ Âàì áîëüøå íðàâèòñÿ? Ïîêóïàòåëü: Âîò ýòà êàìåðà ìåíÿ óñòðàèâàåò, íî íåò ëè ó âàñ ïîäîáíîé çà ìåíüøóþ ñòîèìîñòü? Ïðîäàâåö: Âîò íåñêîëüêî áîëåå äåøåâûõ ìîäåëåé. Ïîêóïàòåëü: ß áû õîòåë ïîõîæóþ, òîëüêî îò Sony. 132 133 Ïðîäàâåö: Ïîæàëóéñòà, âîò ýòè êàìåðû ïðîèçâåäåíû êîìïàíèåé Sony. Ïîêóïàòåëü: Ýòî òî, ÷òî ìåíÿ èíòåðåñóåò, íî ìíå íóæíà êàìåðà ñ ëó÷øèì óâåëè÷åíèåì. Ïðîäàâåö: Ó êàìåðû Sony MVC CD è ðàçðåøåíèå ïðåêðàñíîå, è çàïèñü îñóùåñòâëÿåòñÿ íåïîñðåäñòâåííî íà öèôðîâîé äèñê. Ïðîäàâåö: Äà, âñå õîðîøî, òîëüêî òÿæåëîâàòà. Íåò ëè ïîõîæåé, íî ïîëó÷øå... è ò. ä. В этом примере можно найти все основные проблемы, с ко торыми сталкиваются разработчики интерактивных справоч ных и коммерческих систем в интернете. Чем более образован и информирован покупатель или пользователь, чем шире спектр свойств продукции — тем сложнее процесс выбора, тем больше времени требуется для продавца или специалиста по обслуживанию для удовлетворения запроса и соответственно, тем дороже стоимость обслуживания. Современные формаль ные методы анализа и синтеза естественных языков не в со стоянии предложить решения, позволяющие экономически эффективно конструировать подобные диалоги, в первую оче редь потому, что практически каждая фраза в них является контекстно зависимой, с одной стороны, а с другой — данные о продукции должны быть получены из конкретной, как прави ло, реляционной базы данных, для которой запросы должны быть сформулированы в классической логической форме. Необходимость соединять данные из реляционных баз вместе с лингвистическими конструкциями, зависящими от контекста, побуждает нас искать новые синтетические ме тоды построения интерактивных систем. Рассмотрим струк туру и потоки данных в гипотетической системе, которая способна вести вышеприведенный диалог. 134 Предположим, что простейшая структура базы данных “Cameras” для цифровых камер может быть задана следую щими таблицами: Model Make Price Description ZOOM Matrix SCU — íàçâàíèå êàìåðû (LS443, EasyShare DX4330…) — ïðîèçâîäèòåëü (Sony, Canon, Fuji…) — öåíà ($400, $1200,…) — îïèñàíèå — êîýôôèöèåíò óâåëè÷åíèÿ (2x, 4x, 12x…) — ìàòðèöà (2MP, 3MP, 4MP…) — èäåíòèôèêàöèîííûé íîìåð Можно предположить, что Продавец, знакомый с SQL, мог бы, используя терминал доступа к базе данных, в про цессе вышеприведенного разговора посылать запросы и пе редавать Покупателю результаты. Очевидно, что для тако го типа структур баз данных может существовать сравни тельно небольшое число вариантов запросов, которые могут удовлетворить большинство покупателей, если заданы кон кретные значения переменных, характеризующие текущий контекст данного разговора. Например: SELECT * FROM Cameras WHERE Price < $800 AND Price > $300 SELECT * FROM Cameras WHERE Price < $800 AND Price > $300 AND MAKE = ‘Sony’ SELECT * FROM Cameras WHERE Price < $500 AND Price > $200 AND MAKE = ‘Sony’ AND ZOOM > 3 … Если Продавец будет помнить о производителе, ценовом диапазоне и других характеристиках, которые интересуют Покупателя, он всегда сможет сформулировать следующий запрос к базе данных. Однако для того, чтобы ответить на та кие, например, вопросы как «Нет ли похожей, но получше...», 135 136 27242607354 0,20 0,29 0,28 3 2 $390,99 Sony CyberShot DSC-P2 27242589247 27242589278 0,52 0,22 0,29 0,29 0,37 0,45 3 2,1 3,3 $578,99 $494,99 Sony Sony MVC-CD200 CyberShot DSC-S75 3 27242589223 0,45 0,29 0,70 3 $858,99 Sony MVC-CD300 3 27242606524 0,22 0,29 0,46 3 $595,99 Sony MVC-CD250 2,1 27242606487 18208255054 0,50 0,20 0,29 0,29 0,35 0,73 3 $890,99 2 Sony MVC-CD400 3,2 $469,49 Nikon Coolpix 885 3 18208255047 0,94 1,00 0,87 5 $1047,99 Nikon Coolpix 5700 8 18208255030 0,69 0,43 0,49 $631,99 4 Nikon Coolpix 4500 4 43325992780 43325993374 0,94 0,22 0,29 0,86 1,00 0,28 3 7 $1196,99 5 Minolta DiMAGE X $389,49 Minolta DiMAGE 7Hi 2,1 43325992247 0,52 0,43 0,44 3,3 $573,49 Minolta DiMAGE S304 4 43325992964 43325992988 0,94 0,69 0,29 0,86 0,82 0,30 3 $417,49 4 Minolta DiMAGE 7i 5 $999,00 Minolta DiMAGE F100 $95,49 1,3 Logitech Pocket $198,49 2 Kodak EasyShare CX4230 $296,99 $270,99 2 Kodak EasyShare LS420 $429,99 2,1 Kodak EasyShare DX4330 7 97855014672 0,02 0,00 0,02 1 41778843710 0,20 0,29 0,11 3 41771580506 41778963470 0,22 0,20 0,29 0,14 0,17 0,20 3 2 41778439289 0,69 0,29 3 0,31 SCU Mem_N ZOOM_N Òàáëèöà 4. Ôðàãìåíò áàçû äàííûõ “Cameras” Price_N 4 Kodak LS443 Такие значения могут быть получены для каждой пере менной, имеющей числовой тип, включая дату, стоимость, вес и т. п. Пример базы данных, в которой вычислены норми рованные значения для нескольких переменных, определя ющих свойства цифровых камер, приведен в табл. 4. Как видно из этого примера, мы можем использовать раз мытые значения для таких переменных, как Цена, Коэффици ент увеличения, Матрица и т. п. На рис. 60 показана последо вательность нескольких записей из базы данных “Cameras” в виде карт. Карта представляет собой графический интерфейс к базе данных и содержит поля, позволяющие отображать и модифицировать записи в базе данных. Кроме этого, карта по зволяет отобразить нормированную интегральную характе ристику каждой конкретной камеры. Таким образом, карта по зволяет соединить вместе точные лингвистические характе ристики, которые могут быть заданы ключевыми словами — Sony, CD400 и размытые приближенные значения, позволяю щие ввести лингвистические переменные — больше, среднее, лучше и т. п., для которых могут быть заданы области в соот ветствующих группах нормированных значений. ZOOM — нормированное значение (0 >Price_Norm >1), — значение цены для iого объекта, — максимальная цена среди множества всех цен, — минимальная цена среди множества всех цен. Mtrx Price_Normi Pricei Max_ Price Min_ Price Price где Make Price_Normi = (Pricei Min_ Price) / (Max_ Price Min_ Price), Model нам придется расширить структуру базы данных и добавить в нее лингвистические (Fuzzy) значения [32]. Добавим в структуру нашей базы данных для каждой переменной, которая имеет числовое выражение, ее норми рованное представление. Так например, для переменной Цена (Price), создадим нормированное значение Price_Norm, которое может быть вычислено следующим образом: 137 Сочетание точных и размытых характеристик в рамках общей модели данных позволяет существенно расширить возможности интерфейса между пользователем и информа ционными системами. Реляционные базы данных, традици онно используемые для хранения и поиска данных о разно образных продуктах, могут быть также использованы для хранения размытых характеристик. Если считать, что точ ные характеристики могут быть заданы группой ключевых значений K1, K2, ... Ki, ... Kn, а размытые значения могут быть заданы группой нормированных значений F1, F2, ... Fi, ... Fn, то запросы в базу данных для нахождения требуемой записи могут быть объединены вместе и представлены в общем виде как запрос: Ðèñ. 60. Ïîñëåäîâàòåëüíîñòü êàðò, ñîäåðæàùèõ õàðàêòåðèñòèêè öèôðîâûõ êàìåð SELECT * FROM table WHERE KEYi IS LIKE %Ki% … AND … (FUZZYi < Fi + deltai AND FUZZYi > Fi – deltai) AND …, где KEYi — в таблице базы название поля, содержащего ключевые характеристики; Ki — значение характеристики (точное); FUZZYi — в таблице базы название поля, содержащего ключевые характеристики; Fi — значение характеристики (размытое); deltai — диапазон области в размытых характеристиках. Better = Fuzzy + Delta P1 Delta P2 Delta Ðèñ. 61. Òî÷íûå è ðàçìûòûå çàïðîñû ê áàçå äàííûõ 138 Такого вида универсальный запрос удовлетворяет ши рокому кругу потенциальных вопросов, примеры которых были приведены выше. Диапазон в области размытых ха рактеристик (delta) задает границы примерной области зна чений, которая может удовлетворять конкретный вопрос пользователя. Эта величина выбирается исходя из практи ческих соображений и в наших примерах равна 0,1, что со ставляет 10% от положительного диапазона размытых зна чений (рис. 61). 139 Таким образом, в каждый момент времени существует множество конкретных характеристических значений, ко торые задают представление системы о том, что подразуме вает покупатель и на основании которых можно выбрать из базы данных группу записей, удовлетворяющих этим пред ставлениям. Мы будем называть такую группу селективный контекст. В процессе взаимодействия между человеком и ин формационной системой селективный контекст будет изме няться, но мы будем считать, что всегда возможно выбрать из базы данных группу записей (которая может быть и пустой), соответствующую текущему селективному контексту. Введем для каждого ключевого K1, K2, ... Ki, ... Kn, и размы того F1, F2, ... Fi, ... Fn значения в нейронной модели соответ ствующий нейрон Nj, возбуждение которого, определяет: будет ли включено данное характеристическое значение в универсальный SQL запрос. Более того, для размытых ха рактеристик уровень возбуждения нейрона может соответ ствовать величине Fi размытого значения, и в этом случае: SELECT * FROM ... WHERE KEYI IS LIKE %kI% ... AND ... (FUZZYI < FI + deltai AND FUZZYi > Fi – deltai) AND ... SELECT * FROM ... WHERE K1 IS LIKE %k1% AND K2 IS LIKE %k2% AND ... SELECT * FROM ... WHERE FUZZY1 > F1,1 AND FUZZY1 < F1,2 AND FUZZY2 > F2,1 AND FUZZY2 < F2,2 AND Äîðîæå... Ëó÷øå... Äëÿ ïðèìåíåíèÿ â øêîëå Ìîäåëü... Ïðîèçâîäèòåëü... Kodak Logitech Minolta Sony Nikon Price_N Matrix_N Zoom_N ... Fi = Е(Nj), где Nj — нейрон, соответствующий размытому нормированному зна чению Fi, Е(Nj) — уровень возбуждения нейрона, соответствующего данной размытой характеристике. Для поддержания селективного контекста можно ис пользовать нейронные триггеры, которые позволяют хра нить активные динамические состояния, отражающие теку щее состояние процесса взаимодействия. С их помощью можно создавать как традиционные статические двоичные запоминающие элементы, так и динамические элементы, возбуждение которых может изменяться во времени в соот ветствии с внутренним механизмом разряда. На рис. 62 показан пример структуры нейронных слоев, содержащих две группы — контекстные триггеры для поддер 140 Ñëîé êëþ÷åâûõ êîíòåêñòíûõ òðèããåðîâ Ñëîé ðàçìûòûõ íîðìèðîâàííûõ çíà÷åíèé Ðèñ. 62. Íåéðîííûå ñëîè, ïîääåðæèâàþùèå òî÷íûå è ðàçìûòûå çàïðîñû ê áàçå äàííûõ жания текущих значений одной таблицы базы данных — точ ных характеристик (в данном примере — Производитель/ Make) и единичных нейронов, хранящих текущие значения для размытых характеристик (Price_N, Zoom_N и т. д.). 141 ÎÁÐÀÒÍÛÅ ÑÂßÇÈ Â ÈÍÒÅÐÀÊÒÈÂÍÛÕ ÏÐÎÖÅÑÑÀÕ В конечном итоге, эффективность интерактивной систе мы определяется информативностью сообщений, которые эта система способна генерировать в процессе диалога. По скольку в диалоге участвуют как минимум две системы, для того чтобы диалог между ними имел смысл, каждая система должна оценивать качество создаваемых сообщений и на ос новании этого осуществлять соответствующие корректи ровки своего поведения. Природа нейронных моделей дает нам возможность сделать допущение, что хотя бы и в первом приближении, но две системы (человек — компьютер), уча ствующие в диалоге, воспринимают сообщения на основе одинаковых принципов. Такое допущение позволяет разра ботать механизм, способный получить в компьютере при ближенную оценку связанных с данным разговором инфор мационных процессов, происходящих внутри человека. Как уже отмечалось выше, информация есть мера, ха рактеризующая изменения, которые происходят внутри системы в результате получения сообщения. Такое, на первый взгляд, очень общее определение, оставляет нам большую свободу в выборе методов нахождения этих изме нений. Например, для вычисления количества информации можно использовать традиционные способы, основанные на определении информации как меры изменения неопреде ленности системы. Нейроны представляют собой вычисли 142 тельные элементы, которые идеально подходят для регист рации и хранения таких изменений. Результат внешнего воздействия в таком случае может быть вычислен как раз ница между возбуждениями нейронов в определенной обла сти модели до и после этого воздействия. Предположим, что система S1 инициирует процесс взаи модействия с системой S2, и при этом, в системе S1 существу ет функция, которая позволяет некоторым способом опреде лять границы ожидаемого результата. Значение этой функ ции может быть представлено как изменение некоторой величины, имеющей информационный смысл, и выражено в битах. Будем считать, что ожидаемый результат равен 1 биту, если предполагаемый ответ имеет два возможных равновероятных значения. Во многих случаях такой ответ может быть сведен к одному из значений пары да/нет. Если системе S1 удается сформулировать вопрос в такой форме, что система S2 способна ответить на него однозначно из набо ра, состоящего из пары предполагаемых ответов, то факти чески при получении такого ответа процесс взаимодействия можно считать завершенным. Система S1 получает ожидае мое количество информации, и цель взаимодействия при этом достигнута заданием единственного вопроса. Однако в реальной жизни такие ситуации встречаются достаточно редко. В большинстве случаев, ожидаемый результат не сводится к простому двоичному ответу, и с другой стороны, системе S1 не всегда удается сформулировать вопрос в такой форме, что система S2 может однозначно на него ответить. В процессе живого общения люди постоянно уточняют и корректируют цели и соответственно форму и содержание разговора. Такое поведение вполне согласовывается с пове дением кибернетических систем с обратными связями. Об ратные связи в той или иной форме присущи практически всем сложным техническим, биологическим и социальным системам [30]. Применительно к экономике и финансовым рынкам обратные связи носят исключительно информа ционный характер, и при этом они оказывают влияние на 143 144 Âðåìÿ Mn In I3 M3 ∆3 M2 ∆1 M1 I1 ∆2 Å2 Å1 Êîëè÷åñòâî èíôîðìàöèè Ðèñ. 63. Èçìåíåíèå èíôîðìàöèîííîãî ñîñòîÿíèÿ ñèñòåìû â ïðîöåññå îáìåíà ñîîáùåíèÿìè Mi Ii ∆n ∆i Åi Å3 I2 Ñèñòåìà S1: Ó êàìåðû Nikon Coolpix 5700 óâåëè÷åíèå ðàâíî 8õ? Ñèñòåìà S2: Äà. Такого типа вопросы, в которых предполагаемый ответ сводится к выбору из минимального набора возможных ва риантов, называются закрытыми. Вопросы, в которых пред полагаемый ответ может иметь большую вариативность, на зываются открытыми. Ån Èíôîðìàöèÿ â îäíîì ñîîáùåíèè Ïîëó÷åííàÿ ñóììàðíàÿ èíôîðìàöèÿ Îæèäàåìûé ðåçóëüòàò процессы принятия решений, которые во многом похожи на процессы, происходящие в интерактивных информацион ных системах при выборе адекватных реакций. Добавление механизма обратныx связeй в системы интерактивного вза имодействия открывает возможности для применения хоро шо развитых кибернетических и математических методов анализа при исследовании и оптимизации их поведения. Од нако применительно к нейронным моделям нужно учиты вать, что их сложность значительно превосходит сложность систем, которые традиционно рассматриваются в качестве объектов управления. Обратные связи в диалогах непосредственно влияют на его контекст. Интеграция контекстных полей, которые можно по строить используя нейронные модели, вместе с механизмом обратных связей, позволяющим корректировать развитие ди алога, качественно изменяет процесс взаимодействия челове ка и информационных систем. На рис. 63 показана характеристика процесса общения в системе S1. Ожидаемый результат может быть представлен как некоторая целевая функция, которая задает предпола гаемое значение получаемой информации. Это значение для некоторых случаев может быть известно с достаточно высо кой точностью. Например, если систему S1 интересует факт наличия какоголибо продукта или наличие определенного свойства у объекта, то в этом случае ожидаемое количество информации будет равно E = 1 бит. Вопрос, который систе ма S1 может задать системе S2, в этом случае вы глядит следующим образом: 145 Очевидно, что если вопрос будет сформулирован в не сколько ином виде, ожидаемое количество информации из менится: Ñèñòåìà S1: Êàêîå óâåëè÷åíèå ó êàìåðû Nikon Coolpix 5700? Ñèñòåìà S2: 8õ. В этом случае, ожидаемое количество информации мож но оценить приблизительно в 4 бита (если предположить, что существует 16 вариантов увеличения, то используя про стейшую формулу вычисления количества информации: E = log2(Pдо сообщения / Pпосле сообщения), когда Рдо сообщения = 1 и Pпосле сообщения = 1/16, E = 4 бита. Если в ответ система S2 помимо простого ответа добавит еще сведения о цене, наличие этой камеры на складе, и т. п., то в этом случае полученная информация будет значительно больше ожидаемых 4 бит. Например, система S2 может от ветить на этот же вопрос следующим образом: Ñèñòåìà S1: Êàêîå óâåëè÷åíèå ó êàìåðû Nikon Coolpix 5700? Ñèñòåìà S2: 8õ, è åå ñòîèìîñòü ó íàñ $1047,99. Íî ÿ Âàì ïîðåêîìåíäóþ DiMAGE 7Hi Minolta çà $1196,99. В данном случае, мы можем считать, что эта информа ция может оказаться полезной для покупателя, однако ко личество полученной информации, очевидно, значительно больше, чем количество ожидаемой информации. Ответ мо жет содержать дополнительные данные, которые с точки зрения системы S1 могут рассматриваться как информаци онный шум. Например: Ñèñòåìà S2: Ýòî î÷åíü õîðîøàÿ êàìåðà, è ýòî ðàçðåøåíèå 8õ, ïîçâîëÿåò äåëàòü ÷óäåñíûå ñíèìêè. Ó íàñ ñåé÷àñ ðàñ146 ïðîäàæà è åå ñòîèìîñòü âñåãî $1047,99. Íî ÿ Âàì ïîðåêîìåíäóþ äðóãóþ êàìåðó. Ó ìåíÿ åñòü ïðèÿòåëü, è îí áåç óìà îò íåå — DiMAGE 7Hi Minolta âñåãî çà $1196,â òàáëèöå áàçûâ òàáëèöå áàçû99. Со своей стороны система S1 также может вносить в воп рос информационный мусор: Ñèñòåìà S1: Âû çíàåòå, ÿ ñëûøàë, ÷òî ó âñåõ êàìåð Coolpix õîðîøåå ðàçðåøåíèå. À ñàìàÿ ëó÷øàÿ èç íèõ — ýòî 5700. Âû ìíå íå ïîäñêàæåòå, êàêîå ó íåå ðàçðåøåíèå? Безусловно взаимодействие человека с интерактивны ми информационными системами накладывает определен ные рамки на форму общения, однако общие принципы ин формационных оценок процессов обмена информации оста ются неизменными. Сообщения, которыми обмениваются системы, будут содержать избыточную информацию, и они также будут содержать информационный шум. Очевидно также, что во многих случаях нам не удастся получить точ ные информационные характеристики этих сообщений, од нако мы должны стремиться к минимизации избыточной ин формации при генерации ответов. При этом нужно учиты вать, что система S2 может иметь свое представление об ожидаемой информации в системе S1, и это позволяет ей строить различные траектории развития диалога и в зави симости от этого предоставлять для системы S1 дополни тельную информацию. В первоначальном состоянии система S1 обладает неко торой информацией I0 об интересующем ее событии. После получения сообщения M1 система S1 приобретает некоторую информацию I1, и переходит в новое состояние, в котором она может послать системе S2 новый вопрос, в ответ на кото рый она может получить новую дополнительную информа цию I2. В общем случае полученная информация может при вести к тому, что общее представление системы S1 об инте 147 ресующем событии может уменьшиться. В каждый момент времени существует расстояние ∆i между текущим инфор мационным представлением системы S1 об интересующем ее событии и целевой функцией, задающей ограничение на количество получаемой информации. Таким образом, принцип обратной связи применительно к системам интерактивного взаимодействия может быть сформулирован как стремление минимизировать расстоя ние ∆i в каждой точке процесса общения, как системой S1, инициирующей вопросы, так и системой S2, отвечающей на эти вопросы и одновременно способной задавать дополни тельные вопросы со своей стороны. Симметричность систем S1 и S2 позволяет рассматривать эти системы как равноправ ные. Действительно, систему S1 может интересовать нечто в системе S2, а в свою очередь система S2 может иметь интерес к информации, которой обладает система S1. Поскольку система S1 и система S2 могут иметь свои соб ственные различные цели, и при этом должны моделировать и контролировать как свое собственное поведение, так и по ведение партнера по диалогу, задача достижения эффек тивного интерактивного взаимодействия сводится к поиску оптимальной траектории диалога в условиях существова ния двух целевых функций, задающих оптимальные инфор мационные коридоры для систем S1 и S2. 148 ÑÎÇÍÀÍÈÅ È ÏÎÄÑÎÇÍÀÍÈÅ Последовательности сообщений, которыми могут обме ниваться две системы образуют траектории, которые можно представить как последовательности переходов в некотором пространстве всех возможных состояний P, в которых мо жет находиться данная система. В каждый текущий момент времени состояние Pi, в котором находится данная система мы будем называть активным или сознательным состояни ем. Для каждого возможного состояния Pi можно создать со ответствующую карту (страницу) Ci, которая может опреде лять реакцию системы. Карта Ci является контейнером дан ных и программ и может быть загружена в интерпретатор текущего состояния (активное поле). Аналогом пространства P является Интернет, состоя щий из множества страниц, которые становятся активными только в тот момент, когда они загружаются в программу просмотра (веббраузер). Для пользователей Интернет, в каждый момент времени в текущем окне веббраузера ак тивной является одна страница, из которой возможны ги пертекстовые переходы по разным направлениям. Исполь зуя такую аналогию, будем считать, что на каждом шаге ин терактивного обмена, внутри каждой системы существует объект, аналогичный по своим свойствам текущей странице веббраузера в Интернете и обладающий способностью ге нерировать ответ и осуществлять динамический переход к последующему объекту. Нейронные модели при этом служат 149 150 Ïî ñë å êà äóþ ðò ù à àÿ Ïð åä û êà äóù ðò à àÿ механизмом, обеспечивающим, с одной стороны, сохранение контекста и смыслового содержания процесса обмена сооб щениями, необходимого для генерации ответа, а с другой, позволяют осуществить переход к следующему объекту, от ражающему новое состояние системы. Карты состояний в общем случае могут представлять со бой сложные структурные объединения программ и данных, хранимые в формате DHTML/XML. Для редактирования и просмотра содержимого карт может использоваться веб браузер, при помощи которого автор может выполнять все основные операции редактирования и модификации их со держимого. Различные наборы карт приведены в качестве примера в разделе «Демонстрация работы лингвистической нейронной среды» НЭС. Получаемые в результате XML описания могут быть сохранены в любой подходящей систе ме хранения данных, к которой может иметь доступ интер претатор текущего состояния. В отличие от веббраузера, интерпретатор текущих состояний выполняет действия, в основном связанные с изменением внутреннего состояния всей системы. Он взаимодействует с нейронной моделью, оп ределяет условия перехода в новое состояние и выбора сле дующей карты, загружает программы для динамического исполнения, принимает входные сообщения и передает вы ходные сообщения в соответствующие каналы ввода/выво да. В целом, его функции являются достаточно ограничен ными, что позволяет рассматривать его как «жесткий» или встраиваемый компонент системы. С другой стороны, фор маты карт, содержащиеся в них программы и данные, могут быть как угодно сложными, что делает систему открытой для модификации и расширения. Интерпретатор текущего состояния (рис. 64) можно рас сматривать как аналог человеческого сознания. В каждый момент времени в активном поле интерпретатора содержит ся текущее полученное сообщение и готовится ответ на это сообщение. В это поле сходятся входные и выходные ней ронные слои, и оно имеет доступ ко всему множеству нейро Êàðòû, ïðåäñòàâëÿþùèå çíàíèÿ è ðåàêöèè ñèñòåìû íûé ðîí Íåé òåêñò êîí Íåéðîííûé êîíòåêñò XML îïðåäåëåíèÿ Ïðîãðàììíûå ìîäóëè Àêòèâíîå ïîëå (Ñîçíàíèå) Íåéðîííàÿ ìîäåëü (Ïîäñîçíàíèå) Áèáëèîòåêè ïðîãðàììíûõ ìîäóëåé (Ðåôëåêñû) Ñîîáùåíèÿ Ñàìîîáó÷åíèå Ïîëüçîâàòåëü Ðèñ. 64. Ïîñëåäîâàòåëüíîñòü ïåðåõîäîâ ìåæäó îáúåêòàìè ïðîñòðàíñòâà ñîñòîÿíèé 151 нов в рамках активной нейронной модели. В свою очередь нейронные модели можно считать аналогом подсознания. В них происходят массивные параллельные процессы, кото рые практически невозможно свести к представлениям, ко торые могут быть выражены в виде аналитических выраже ний в привычной форме. Соединение нейронных моделей с активным полем, в ко тором возможны интерпретации различных программ, от крывает возможности для интеграции алгоритмических и нейронных методов в единый комплекс. Выполнение про грамм, интерпретируемых (скрипты) или предварительно откомпилированных, и динамически загружаемых модулей (Javaклассы или DLLобъекты) можно сравнить с рефлек торными знаниями. Карты и XML выполняют роль особого соединительного механизма в интеграции алгоритмических и нейронных методов. XML является универсальным и от крытым языком, для которого можно сравнительно легко со здавать различные интерпретирующие системы, а карты обладают интуитивным пользовательским интерфейсом, позволяющим внешним пользователям поддерживать и развивать интегрированную систему. Алгоритмические методы позволяют подключить к ней ронным моделям широкий набор решателейагентов для анализа речи, принятия решений, традиционных числен ных и программных задач и т. п. Интеграция этих двух раз личных способов моделирования, основанных на принципи ально различных аксиоматиках, возможна лишь путем их искусственного объединения, и именно для этих целей и служит активное поле. Такая интеграция позволяет, например, эффективно ре шать задачи, связанные с пониманием различных форм речи. В восприятии устной и письменной речи есть много об щего, но в тоже время они принципиально отличаются по динамическим характеристикам, по времени реакции и по грамматическим свойствам. В процессе разговора участники обмениваются сообщениями, соответствующими опреде 152 ленной теме. В том случае, когда один из участников задает вопрос, от второго участника предполагается получение от вета, и при этом время, в течение которого этот ответ должен быть получен, ограничено достаточно жестко. Реакция на полученные сообщения происходит в реальном времени, и поток слов, определяющий данный разговор, как правило, не может быть повторен сначала. ëü ò å âà à â ëî íà î ñ ç î ã ñ ï ùå Ð à åêó ò dimage или камер разрешение интересует меня Ïîòîê ñëîâ Ïîòîê ñëîâ t Òåêóùåå ñëîâî êàìåð Ðàçðÿä íåéðîíîâ Å4 (êàìåð) Å3 (ðàçðåøåíèå) Å2 (èíòåðåñóåò) Å1 (ìåíÿ) Âîçáóæäåíèÿ è ðàçðÿä íåéðîíîâ, ñîîòâåòñòâóþùèõ ïîòîêó ñëîâ t Ðèñ. 65. Ïîñëåäîâàòåëüíîñòü ñëîâ â ïîòîêå ðå÷è è ñîîòâåòñòâóþùèå âîçáóæäåíèÿ íåéðîíîâ 153 По характеру взаимодействия и времени реакции, обмен сообщениями можно свести к трем основным формам. • Живая речь. Сообщение не является целостным и не доступно в текстовом виде. Отсутствуют четкие гра ницы, разделяющие фразы. Время ответной реакции критично. Контекст зависит от времени. • Чат. Время реакции ограничено, сообщение доступно для анализа. Контекст конкретного сообщения может зависеть от предыдущих сообщений. Фразы доста точно разделены, хотя встречаются нарушения об щепринятых грамматических правил. • Текстовые сообщения, электронная почта. Все сооб щение представляет законченную последователь ность предложений. Время реакции не критично. Чаты или обмен сообщениями в текстовом виде занима ют промежуточное положение между динамичным устным разговором и статичным процессом чтения текстов. В чатах, так же как и в условиях устной речи, существует ограничен ное время реакции на сообщения, однако сообщения в чате представляют собой, как правило, вполне законченные грамматические конструкции. В устной речи поток слов не образует законченные фра зы, имеющие четко выраженные грамматические формы. Предложения могут быть выделены в этом потоке весьма условным образом, в отличие от чатов или обычных стати ческих текстов. Разделение грамматических конструкций в устной речи значительно сложнее, чем в письменной. Поми мо таких факторов, как интонация, специальные обороты речи и паузы, время являются важным атрибутом, позволя ющим определить границы предложений и установить кон текст, связывающий отдельные, иногда достаточно отстоя щие друг от друга, слова по смыслу. На рис. 66 показана структура связей между активным слоем, в котором хра нятся текущие слова, имеющие отношение к конкретному 154 Âõîäíàÿ ïîñëåäîâàòåëüíîñòü ñëîâ Слово i Слово 1 Слово j Слово 2 Слово k Слово 3 ... Ñëîâàðü ñèñòåìû ... ... Слово i Слово n-1 Слово n E3 E1 Ei E2 Îáðàòíûå ñâÿçè èç êîíòåêñòîâ En-1 En Ñîñòîÿíèå íåéðîíîâ â àêòèâíîì ñëîå t Íåéðîíû â êîíòåêñòíûõ ñëîÿõ Ðèñ. 66. Ïîñëåäîâàòåëüíîñòü ñëîâ è îáðàòíûå ñâÿçè èç êîíòåêñòíûõ ñëîåâ разговору и контекстными слоями, позволяющая поддержи вать активными те слова или значения, которые имеют отно шение к текущему моменту. В процессе разговора слова ак тивного слоя получают изначальное возбуждение, которое со временем угасает, если из контекстных слоев это слово не получит дополнительное возбуждение, подтверждающее важность этого слова на текущий момент. 155 Нейронные системы, прекрасно приспособленные для отображения большого количества динамических процес сов, идеально подходят для моделирования динамики изме нения смысла устной речи. При этом контекст разговора, представляя механизм обратной связи, может влиять как на слова или значения, хранимые в активном слое, так и на свя занные значения внутри контекстных слоев. Характер взаимодействия влияет на структуру речи че ловека вне зависимости от того, является его собеседником другой человек или компьютер. В одной из ранних работ на эту тему [6] рассматриваются изменения в структуре речи человека в зависимости от способа коммуникации. Авторы рассматривают разговоры между двумя людьми в прямом общении, по телефону и через компьютерный терминал (аналог современного чата). Анализируя ситуационные раз говоры между людьми, в статье приводится интересное за ключение по поводу использования прямых контекстных оборотов — слов ЭТОТ, ЭТО, ТОТ и т. п. В чате такие контек стные указатели используются значительно чаще, чем в те лефонных разговорах. Очевидно, что возможность видеть предыдущие сообщения позволяет человеку быстро опреде лить смысл контекстных связей и тем самым сократить вре мя на передачу повторных слов или словосочетаний, за счет использования коротких контекстных указателей. Во время устного живого разговора, у человека нет возможности вернуться к предыдущим сообщениям, од нако компьютер способен хранить всю последователь ность поступивших слов, и для того, чтобы поддерживать общение в привычной для человека форме, компьютер ные системы должны обладать способностью «забывать» предыдущие сообщения аналогично тому, как это делает человек. Такая способность к «забыванию» в нейронных моделях моделируется за счет разряда нейрона. Пример, демонстрирующий возбуждение и разряд нейронов в промежуточном слое в результате воздействия последо вательности слов, показан на рис. 38. 156 В том случае, когда партнером человека в устном общении выступает компьютер, предварительное распознавание осуще ствляется, как правило, акустической системой распознавания голоса (Automatic Voice Recognition — AVR), которая затем пере дает последовательности слов в лингвистическую систему распознавания речи (Automatic Speech Recognition — ASR). Большинство систем AVR использует грамматики, позволяю щие распознать слова в контексте определенного предложе ния. Применение грамматик значительно повышает качество распознавания за счет добавления вероятностной характерис тики слова в последовательности. Задача распознавания речи заключается в поиске такого сочетания акустических моделей вместе с лингвистическими, при котором обеспечивается наи более эффективное определение вероятностей словосочета ний в последовательностях акустических форм слов и соответ ствующих им словарей. В тех случаях, когда грамматики хорошо заданы, современные акустические распознаватели позволяют получить исключительно высокую точность распознавания. Очевидно, что с расширением предметной области раз говора происходит увеличение сложности грамматик, и именно в этом заключается проблема современных систем распознавания речи. Практически невозможно создать уни версальную грамматику, способную обеспечить распознава ние последовательностей слов для всевозможных вариантов человеческих сообщений, даже для сравнительно узких предметных областей. Среди различных способов, которые могут быть использованы при решении этой проблемы, можно выделить статистические модели (Statistical Learning Models — SLM), способные самообучаться в про цессе предварительной тренировки (см., например, [5]), и ме тоды адаптивного управления, позволяющие выделять за кономерные последовательности и обучаться с помощью хо рошо сбалансированных алгоритмов и критериев [33]. Один из путей порождения акустических грамматик ле жит в применении нейронных моделей, способных устанавли вать взаимосвязи в последовательностях слов (или элементов 157 их представляющих). На рис. 67 показан результат обуче ния словарного слоя нейронной модели на последовательно сти предложений, взятых из протоколов чатов, таких, на пример, как: What’s Longhorn Who are you Tel me about your company Tell me about your technology How long have you been in business what’s your phone number what’s his phone number ... Обучение нейронной модели заключается в построе нии первоначального словаря и затем в установлении свя зей между словами предложений и последующей коррек тировке этих связей по мере обучения на последующих фразах. Существует множество алгоритмов обучения нейронных сетей, которые могут быть легко применены к нашей модели. Ðèñ. 67. Ñòàòèñòè÷åñêèå çàâèñèìîñòè ìåæäó ñëîâàìè ïîñëå îáó÷åíèÿ (äëÿ íàãëÿäíîñòè â ñëîâàõ ïîêàçàíû òîëüêî íà÷àëüíûå áóêâû) 158 159 ÃËÎÑÑÀÐÈÉ Адекватное — соответствующее коммуникативным уста новкам субъекта в процессе общения или восприятия. В фило софии этот термин служит для определения верности или, иными словами, качества восприятия. В этом смысле истина является абсолютом адекватности мышления бытию. Бит — единица измерения информации. Соответству ет изменению состояния системы в результате получения простейшего сообщения о событии, вероятность которого равна 0,5. Гармония — стройная и соразмерная связь компонентов в единое целое. В музыке гармония основана на законах и пра вилах объединении звуков в созвучия. В отличие от мелодии, гармония определяет «вертикальное» согласование звуков. Данное — сообщение, записанное в любой форме и на любом носителе. Информация — мера изменения состояния системы в результате получения сообщения из внешней среды. Изме ряется в битах. Информация часто используется как сино ним таких понятий, как данные, знания, факты и др. Интерпретатор — программа, которая может выпол нять другие программы. В отличие от компилятора, который только подготавливает программы для их дальнейшего ис полнения в иной среде, интерпретатор немедленно присту пает к выполнению последовательности команд. Клонирование — производство идентичной копии на основании исходного образца. 182 Лексема — слово, рассматриваемое как единица сло варного состава языка в совокупности всех его конкрет ных грамматических форм, а также всех возможных зна чений (смысловых вариантов). В одну лексему объединя ются разные парадигматические формы одного слова (например, «словарь, словарём, словарю» и т. п.) и разные смысловые варианты слова, зависящие от контекста, в котором оно употребляется (например, «соль» в смысле названия вещества и в значении того, что придает остроту или интерес какомулибо высказыванию, мысли и т. п.). Лексикология — раздел языкознания, в котором ис следуется словарный состав языка, его лексика, взаимо действие между значениями слов и понятиями. Понятия чаще всего интернациональны, тогда как значения слов национальны. Изучает закономерности функционирова ния и развития словарного состава языка. Лингвистика — наука о языке. Объектом лингвистики является строение, функционирование и историческое раз витие языка, язык во всем объеме его свойств и функций. Математическая лингвистика — математическая дис циплина, разрабатывающая формальный аппарат для опи сания строения естественных и некоторых искусственных языков. Включает теории и способы описания синтаксичес ких структур, формальных грамматик и аналитических мо делей языка. Мелодия — линейная последовательность событий. Ме лодия представляет горизонтальное согласование звуков. Эти последовательности содержат повторяющиеся образы звуко вых объектов (длительность и тон). Мера — функция, которая устанавливает соответствие между количественной и качественной характеристиками явлений, объектов и процессов. Например, она позволяет связать такие характеристики, как «объем», «вероятность» «скорость» и числовые величины из некоторого множества значений. 183 Нейрон — специфичная клетка, которая осуществляет восприятие, обработку и передачу возбуждений от рецепто ров к другим нейронам. Нерв — соединение между нейронами, по которому пере даются возбуждения. Аксон — единственный отросток, по ко торому импульсы передаются к другим клеткам. Синапсы — контакты, по которым импульсы поступают внутрь нейрона. Обратная связь — обратное воздействие результатов процесса на его протекание или управляемого процесса на управляющий орган. Различают положительную и отрица тельную обратные связи. Положительная — если резуль таты процесса усиливают его, отрицательная — когда ре зультаты процесса ослабляют его действие. Парадигма — система форм одного слова, отражающая видоизменения слова по присущим ему грамматическим ка тегориям, например, по роду, числу и падежу для суще ствительных, лицу, времени, виду и прочее для глаголов; схема изменения слова по грамматическим категориям; об разец типа склонения или спряжения. Переменная — одно из основных понятий математики, логики и программирования. В высшей математике под переменной понимается некоторая «величина», которая может «изменяться», принимая в процессе этого измене ния различные «значения». В формализованных языках математической логики переменной называются сим волы фиксированного вида, могущие при определен ных условиях заменяться выражениями. В программиро вании под переменной понимается тройка — идентифи катор, область хранения и связанное с ними значение. Полиморфизм — в физике, минералогии, химии спо собность некоторых веществ существовать в состояниях с различной атомной кристаллической структурой. Различие в структуре обусловливает и различие в свойствах поли морфных модификаций данного вещества. Понятие — в формальной логике это элементарная еди ница мыслительной деятельности, обладающая известной 184 целостностью и устойчивостью и взятая в отвлечении от словесного выражения этой деятельности. Понятие — это то, что выражается (или обозначается) любой самостоятель ной частью речи, а если перейти от масштабов языка в целом к «микроуровню», — то членом предложения. Предложение — основная единица связной речи, харак теризуемая определенными смысловыми и структурными признаками. По отношению говорящего к высказываемой им мысли предложения делятся на три группы: повествователь ные, восклицательные и вопросительные. Процесс — последовательная смена состояний системы в результате как внутренних, так и внешних действий. Рибосомы — внутриклеточные частицы, осуществляю щие биосинтез белка; рибосомы обнаружены в клетках всех без исключения живых организмов: бактерий, растений и жи вотных; каждая клетка содержит тысячи или десятки тысяч рибосом. Белок всех организмов состоит из 20 видов аминокис лот. Каждый белок характеризуется определенным ассорти ментом и количественным соотношением аминокислот. Синхронизация — процедура согласования процессов обработки или передачи данных. Синхронизация осуществ ляется на физическом уровне: посредством тактирования, задающего единый стандарт дискретного времени для уп равления процессом передачи сигналов. Система — совокупность объектов, которые могут быть выделены из среды при помощи границы. Система может энергетически или информационно взаимодействовать с другими системами. Слово — центральная единица языка. В любом языке есть слово, означающее «слово». Основные свойства слова: фонетические и семантические, воспроизводимость, син таксическая самостоятельность, валентность. Слова делят ся на знаменательные (обозначающие некоторое понятие) и служебные, которые служат для связи слов между собой. Словоформа — слово, рассматриваемое как представи тель определенной лексемы и определенной грамматической 185 формы. Совокупность всех словоформ данной лексемы обра зует ее парадигму. Сообщение — объект, при помощи которого происходит взаимодействие. Сообщение всегда имеет физическую при роду и, в отличие от всех остальных явлений, приводит к из менению состояния системы, которая это сообщение полу чила. Состояние — набор параметров и их значений, характе ризующих поведение системы во времени. Среда — включает в себя все системы и все объекты, ко торые обладают физическими и информационными свой ствами. Можно рассматривать среду, как универсальную систему, которая окружает любую, входящую в нее систему. Энергия — общая количественная мера движения и вза имодействия всех видов материи. В классической физике энергия системы меняется непрерывно и может принимать любые значения. В квантовой теории энергия микросистемы может принимать только дискретные значения. 186 ÁÈÁËÈÎÃÐÀÔÈß 1. Aristotle. The Basic Works of Aristotle. — New York : The Modern Library, 2001. 2. BernersLee, T. Information Management: A Proposal. — CERN, 1989. May. (www.w3.org/history/1989/proposal.htm) 3. Brooks, F. The Mythical Man Month. — Boston : Addison Wesley, 1995. 4. Bush, V. As We May Think // Atlantic Monthly. — 1945. Vol. 176. № 1. P. 101–108. 5. Cherkassky, V., Mulier, F. Learning from Data. — New York : John Wiley & Sons, 1998. 6. Cohen, P. R., Fertig, S., Starr, K. Dependencies of discourse structure on the modality of communication: telephone vs. teletype // Proceedings of the 20th conference on Association for Computational Linguistics. — Toronto, Ontario, Canada. — 1982. June 1618. 7. Dijkstra, E. W. The Structure of the THE Multiprogramming System // Communications of the ACM. — 1968. Vol. 11. № 5. P. 341–346. 8. Einstein, A. Relativity. The Special and the General Theory. — New York : Three Rivers Press, 1961. 9. Fellbaum, C. WordNet: An Electronic Lexical Database. — Cambridge, MA : MIT Press, 1998. 10. Feynman, R. P. Feynman Lectures on Computation. — Cambridge, Mass. : Perseus Publishing, 1999. 187 11. Godel, K. On Formally Undecidable Propositions of Principia Mathematica and Related Systems. — New York : Dover Publications, Inc., 1992. 12. Heisenberg, W. Physics and Philosophy. The Revolution in Modern Science. — New York : Prometheus Books, 1999. 13. Heisenberg, W. The Physical Principles of the Quantum Theory. — Leipzig, Dover Publications, Inc., 1949. 14. Ingram, J. The Notation of Time // Contact Magazine. — London, 1985. 15. Maass, W., Natschlager, T., Markram, H. Computational models for generic cortical microcircuits // Computational Neuroscience: A Comprehensive Approach / In J. Feng, editor. — Boca Raton : Chapman & Hall/CRC, 2004. P. 575–605. 16. Maass, W., Natschlager, T., Markram, H. The “liquid computer”: A novel strategy for realtime computing on time series // Special Issue on Foundations of Information Processing of TELEMATIK. — 2002. Vol. 8. № 1. P. 39–43. 17. Martin, J. Cybercorp: The New Business Revolution. — 1996. — ISBN 0814403514. 18. McCulloch, W., Pitts, W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. — 1943. Vol. 7. P. 115–133. 19. Neumann, J. The Computer and the Brain. — 2nd edition. — New Haven, Conn. : Yale University Press, 2000. 20. Neumann, J. First Draft of a Report on the EDVAC : Contract 670ORD4926, Philadelphia, PA. — Morse School of Electrical Engineering. University of Pennsylvania. — 30 June 1945. 21. Pink, D. H. A Whole New Mind. — New York : The Berkley Publishing Group, 2006. 188 22. Shannon, C. A Mathematical Theory of Communication // The Bell System Technical Journal. — 1948. Vol. 27. July, October. P. 379–423, 623–656. 23. Shannon, C. The Bandwagon // IRE Trans. Infоrmation Theory. — 1956. Vol. 2. 24. Stay, J. F. HIPO and integrated program design // IBM Systems Journal. — 1976. Vol. 15. № 2. P. 143. 25. Stravinsky, I., Craft, R. Conversations with Igor Stravinsky. — Berkeley : University of California Press, 1980. 26. Tecuci, Gh., Boicu, M., Marcu, D. Training and Using Disciple Agents: A Case Study in the Military Center of Gravity Analysis Domain // AI Magazine. — 2002. Vol. 23. № 4. P. 5168. 27. Teller, A., Veloso, M. Neural programming and an internal reinforcement policy. In First International Conference Simulated Evolution and Learning. — SpringerVerlag, 1996. 28. Turing, A. M. Computable Numbers, With an Application to the Entscheidungsproblem // Proceedings of the London Mathematical Society. — 1936. Vol. 42. № 2. P. 230–265. 29. Watson, J. D., Crick, F. H. C. Genetical implications of the structure of deoxyribonucleic acid // Nature 171. — 1953. May. 30. Wiener, N. Cybernetics. — 2nd edition. — Cambridge, Mass. : MIT Press, 1961. 31. Winograd, T., Flores, F. Understanding Computers and Cognition: A New Foundation for Design. — Addison Wesley, 1987. 32. Заде, Л. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л. Заде. — М. : Мир, 1976. 33. Жданов, А. А. Бионический метод автономного адап тивного управления // От моделей поведения к ис кусственному интеллекту / Под ред. В. Г. Редько. — М. : УРСС, 2006. 189 34. Колмогоров, А. Н. Теория информации и теория алго ритмов / А. Н. Колмогоров. — М. : Наука, 1987. 35. Раушенбах, Б. В. Геометрия картины и зрительное восприятие / Б. В. Раушенбах. — СПб. : Азбукаклас сика, 2002. 36. Раушенбах, Б. В. Пространственные построения в древнерусской живописи / Б. В. Раушенбах. — М. : Наука, 1975. 37. Сеченов, И. М. Рефлексы головного мозга // Сеченов И. М., Павлов И. П., Введенский Н. Е. Физиология не рвной системы : Избранные труды : Вып. 1 / Под общ. ред. К. М. Быкова — М. : Гос. издво мед. лит., 1952. 38. Шеннон, К. Работы по теории информации и кибер нетике / К. Шеннон. — М. : Издво ин. лит., 1963. ÎÃËÀÂËÅÍÈÅ Введение ............................................................................................................................. 5 Энергия, информация и знания .................................................................. 13 Усилители, нейроны и Интернет .............................................................. 20 Программирование реакций ......................................................................... 27 Среда нейронного программирования.................................................. 32 Взаимодействующие системы ..................................................................... 37 Интерпретации и измерения ........................................................................ 48 Вычислительные ассоциативные нейроны ..................................... 58 Конструктивный нейрон ................................................................................... 65 Сетевая оболочка и базовые протоколы ............................................. 81 Нейроны, слова и смысл .................................................................................... 90 Перцептивная лингвистика ........................................................................ 100 Контексты и временная логика ............................................................... 109 Клонирование........................................................................................................... 121 Селективный контекст .................................................................................... 133 Обратные связи в интерактивных процессах ............................ 142 Сознание и подсознание ................................................................................. 149 Типовые конструктивные элементы .................................................. 160 Заключение ................................................................................................................ 172 Приложение .............................................................................................................. 175 Глоссарий ..................................................................................................................... 182 Библиография .......................................................................................................... 187 190 191

Document 2684939

Related documents

Products

Support

Document 2684939

Related documents

Add this document to collection(s)

Add this document to saved

Suggest us how to improve StudyLib